ICTCLAS 基于隐马尔科夫模型提出了层叠隐马尔科夫模型（CHMM），CHMM 实际上是若干个层次的简单HMM 组合，各层隐马尔科夫模型之间以以下几种方式相互关联：各层HMM之间共享一个切分词图作为公共数据结构（见下图），每一层隐马尔科夫模型都采用N-Best策略，将产生的最好的若干个结果送到此图中供更高层次的模型使用。 该 CHMM 由低到高依次为：原子切分，简单未登录词识别，嵌套未登录词识别，这几层中共享二元切分词图，并在每层对该数据结构进行修改，使得传递给基于类地隐马分词的参数越来越准确，最后一层为隐马词性标注。 马尔可夫链模型： 使用最广泛的描述类相关性的模型是马尔可夫链准则。如果wi1，wi2，…，wiN 是一个类的序列，则马尔可夫模型假设 1211(|,,...,)(|)ikikikiikikP wwwwp ww 它的意思是类相关性仅局限于两个连续的类，这种模型也称为一阶马尔可夫模型，以区别它的一般形式（二阶、三阶等）。换言之，已知观察值xk-1，xk-2，… ，x1 分别属于类wi k-1，wi k-2，…，wi，在k 阶段的观察值xk 属于类wi k 的概率仅依赖与在k-1 阶段产生观察值xk-1 的类。 12()(,,...,)iiiiNpp www 111211(|,...,) (|,...,)... ()iNiNiiNiNiip wwwp wwwp w 得出 112()()(|)Niiikikkpp wp ww 其中P（wi1）是类wi，i1∈{1,2，…，M}的先验概率。另外，两个普遍采用的假设是：（a）已知类地序列，观察值在统计上是独立的；（b）某类的概率密度函数不依赖其他类。也就是说依赖性仅仅存在于产生类地序列，而在类内，观察值服从类自己的规则。这个假设意味着 12(|)(,,...,|)iNip Xp x xx 12(|) (|)... (|)iiNip xp xp x 1122(|) (|)... (|)iiNiNp x wp x wp xw 1(|)Nkikkp x w 描述：已知观察值的特征向量序列X：x1,…,xN，将其分到各自的类的序列Ωi：wi 1,wi 2,…,wi N 中，则下式： 11112(|) ()() (|)(|) (|)NiiiiikikkikkP XPP wP x wP wwP x w 隐马尔可夫模型： 隐马尔可夫模型是在马尔可夫模型上发展而来的，马尔可夫链的状态是可以观察到的，而有的系统中，状态的变化无法直接观察到，观察值是与每一个状态相关的行为作用的结果，由一组概率函数来描述。在序列中不同的状态被它后续的观察值访问，而这个序列又是另一个随机过程结果。这些对我 们 都 是隐藏 的，描述它的那 些相关参 数只 ...
