与基于隐马尔可夫模型的最短路径分词、N-最短路径分词相比，基于随机条件场（CRF）的分词对未登录词有更好的支持。本文（HanLP）使用纯Java实现CRF模型的读取与维特比后向解码，内部特征函数采用 双数组Trie树(DoubleArrayTrie)储存，得到了一个高性能的中文分词器。
CRF简介
CRF是序列标注场景中常用的模型，比HMM能利用更多的特征，比MEMM更能抵抗标记偏置的问题。
CRF训练
这类耗时的任务，还是交给了用C++实现的CRF++。关于CRF++输出的CRF模型，请参考《CRF++模型格式说明》。
CRF解码
解码采用维特比算法实现。并且稍有改进，用中文伪码与白话描述如下：
首先任何字的标签不仅取决于它自己的参数，还取决于前一个字的标签。但是第一个字前面并没有字，何来标签？所以第一个字的处理稍有不同，假设第0个字的标签为X，遍历X计算第一个字的标签，取分数最大的那一个。
如何计算一个字的某个标签的分数呢？某个字根据CRF模型提供的模板生成了一系列特征函数，这些函数的输出值乘以该函数的权值最后求和得出了一个分数。该分数只是“点函数”的得分，还需加上“边函数”的得分。边函数在本分词模型中简化为f(s‘,s)，其中s‘为前一个字的标签，s为当前字的标签。于是该边函数就可以用一个4*4的矩阵描述，相当于HMM中的转移概率。
实现了评分函数后，从第二字开始即可运用维特比后向解码，为所有字打上BEMS标签。
实例
还是取经典的“商品和服务”为例，首先HanLP的CRFSegment分词器将其拆分为一张表：
|
1 2 3 4 5 |
|
null表示分词器还没有对该字标注。
代码
上面说了这么多，其实我的实现非常简练：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 |
|
标注结果
标注后将table打印出来：
|
1 2 3 4 5 6 |
|
最终处理
将BEMS该合并的合并，得到：
|
1 |
|
然后将词语送到词典中查询一下，没查到的暂时当作nx，并记下位置（因为这是个新词，为了表示它的特殊性，最后词性设为null），再次使用维特比标注词性：
|
1 |
|
新词识别
CRF对分词有很好的识别能力，比如：
|
1 2 3 |
|
输出：
|
1 2 3 4 5 6 7 8 9 10 |
|
null表示新词。