[AI工具宝典]AI产品经理必修：揭开算法的面纱（隐含马尔可夫）.pdfVIP

隐马尔可夫模型目前陆续成功地应用于机器翻译、拼写纠错、手写体识别、图像处理、基

因序列分析等领域。近20年来，它广泛应用于股票预测和投资。本文抛弃那些眼花缭乱

的数学公式，去看看隐含马尔可夫模型到底是什么？怎么用？

相信只要是涉足人工智能领域，你都会听到这样一个神秘的名字-隐含马尔可夫模型。是

的，看了一圈文章和资料后，除了知道马尔可夫是个聪明绝顶的人，其他的就啥也不知道

了。

正式开讲之前，先大概了解一下，这个算法有哪些主要的应用场景。

一个词概括，进行预测。

20世界80年代末李开复坚持采用隐马尔可夫模型的框架，成功的开发了世界上第一个大

词汇量连续语音识别系统sphinx。接下来，隐马尔可夫模型陆续成功地应用于机器翻译

、拼写纠错、手写体识别、图像处理、基因序列分析等领域。近20年来，它广泛应用于

股票预测和投资。

今天，我想抛弃那些眼花缭乱的数学公式，去看看隐含马尔可夫模型到底是什么？怎么用

？

一、隐含马尔可夫模型是什么？

我们还是分成三个阶段来了解。

概念一：马尔可夫假设

随机过程中各个状态st的概率分布，只与它前一个状态st-1有关。

举一个例子，我们可以把S1,S2,S3…St…看做北京每天的最高气温，这里面的每个状态

St都是随机的。理论上，任何一天的最高气温St取值都可能和这段时间以前的最高气温

是相关的。

马尔可夫这个大神为了简化问题，做出了如上图的简化的假设。回到上面的例子，第二天

的最高气温只跟昨天有关而与其他日期没有任何关联。

概念二：马尔可夫链

符合马尔可夫假设的随机过程称为马尔可夫过程，也称为马尔可夫链。

在这个马尔可夫链中，四个圈表示四个状态，每条边表示一个可能的状态转换，边上的权

值是转移概率。

例如：某个时刻t的状态St是m2,则下一个时刻St+1=m3的概率是0.6，用数学符号表

示是P（St+1=m3|St=m2）=0.6。

把这个马尔可夫链想象成一台机器，它随机选择一个状态作为初始状态，然后按照上述规

则随机选择后续状态。

结果可能如下：

S1=m1S2=m2S3=m3S4=m4S1=m2S2=m4S1=m3S2=m3S3=m4……

这样经过一段时间的运转，就会产生一个状态序列S1，S2，S3…St。我们可以数出mi

出现的次数，以及mi转换到mj的转移概率。基于马尔可夫假设，每一个状态只与前一

个状态相关，例如从m3转移到m4，不论在此之前是怎么进入m3，这个概率都是0.3

。

概念三：隐含马尔可夫模型

隐马尔可夫模型是上述马尔可夫链的一个扩展：任一时刻t的状态st是不可见的。所以观

察者没法通过观察到一个状态序列s1,s2,s3,…sT-1来推测转移概率等参数。但是，隐马尔

可夫在每个时刻t会输出一个符号ot，而且ot和st相关而且仅和st相关。这个被称为

独立输出假设。

隐马尔可夫模型结构如下：

其中包含的状态s1，s2，s3，s4是一个典型的马尔可夫链。鲍姆把这种模型称为“隐含

”马尔可夫模型。

那么，问题来了，什么是隐患状态？

从马尔可夫链中，我们看到的都是可见状态啊。这个问题真的困扰了我很久，我找了大量

的资料，发现还是这样一个经典例子能够解释得清楚，请看：

假设我手里有三个不同的骰子。第一个骰子是我们平常见的骰子（称这个骰子为D6），

6个面，每个面（1，2，3，4，5，6）出现的概率是1/6。第二个骰子是个四面体（称这

个骰子为D4），每个面（1，2，3，4）出现的概率是1/4。第三个骰子有八个面（称这

个骰子为D8），每个面（1，2，3，4，5，6，7，8）出现的概率是1/8。

现在，我们开始掷骰子，得到如下结果：

看出来了吧？什么是隐含状态？掷出来的数字是可见的，但是每次取哪个骰子，我们是不

是不知道？

回到隐含马尔可夫模型，符号ot就是我们掷出来得数字（1，2，3，4，5，6，7，8），

隐患状态st就是我们掷得骰子（D6，D4，D8）。

现在，我们以掷骰子为例，来总结一下隐患马尔可夫模型得几个构成要素：

可见状态集：D6的可见状态集（1，2，3，4，5，6），D4的可见状态集（1，2，3，4

），D8的可见状态集（1，2，3，4，5，6，7，8）隐患状态集：上图中的隐含状态集

为D6，D8，D8，D6，D4……初始（隐含）状态转移概率：比如，第一次拿到D6,