這是以前的一篇草稿，當初沒寫完，今天發出來，但總覺得水平有限，越學越覺得自己菜，寫的博客水准低，發完這篇以后就謹慎發博了，畢竟自己菜，不能老吹B，下面是原稿。
好久沒更了，本來年前想寫篇關於爬蟲的總結來，結果在家懶癌發作，開學了也沒“擠”出時間來。今天主要是心情好，寫下自己學到的一點知識，長了一點人生的經驗。
前兩周看了HMM和CRF的知識，因為最近做的東西要用到，這兩天在用crf++，目前最新的好像是0.58版，再新的沒找到資源，貌似0.54之后就只有發布的exe了，0.53版的還有源碼，感興趣的同學可以看看源碼（我打算最近兩天看）。用一個東西首先要看它的官方文檔，對一些命令什么的看過之后，卡在了一個地方——template，文檔上只說template里是訓練時生成特征函數的，並解釋了一下形如U00:%x[-2,0]的含義，但是，對於我們這種菜雞，根本理解不了啊。問題主要有三個（首先假設我們有如下的template：）
# Unigram U00:%x[-2,0] U01:%x[-1,0] U02:%x[0,0] U03:%x[1,0] U04:%x[2,0] U05:%x[-2,0]/%x[-1,0]/%x[0,0] U06:%x[-1,0]/%x[0,0]/%x[1,0] U07:%x[0,0]/%x[1,0]/%x[2,0] U08:%x[-1,0]/%x[0,0] U09:%x[0,0]/%x[1,0] # Bigram B
1）U00~U04組合起來是什么意思；2）形如U05~U09那樣的是什么意思；3）模版怎么寫
知道問題就可以有目的的搜索，搜索結果大致是怎么理解crf++中的模版、用crf++進行中文標注、crf++模版格式等等，看了一堆，主要收獲就是形如U09 是聯合概率，剩下的都是和官網文檔差不多，大多數文章相似度很高（哈哈哈），也算小小的解決了第二個問題，別的我依然蒙蔽。
今晚找老大聊了聊，老大解決了我的疑惑，又學到了一點人生的經驗。下面說一下我得理解。
首先假設我們知道CRF(s因為有的加了)的概念，知道計算P（y|X)的公式
然后我們在模型中使用某特征（暫且叫字符n-gram特征），其具體特征形式化描述為
下標表示距離當前考察字符的相對位置，上一句意思就是對位置i，還要考察其前面兩個字符和后面兩個字符來計算其 Φ，比如： 我是中國人，考察中的時候還要考察我 是 國 人，模版寫出來就是我們的U00~U04。
上面理解了，U05-U09就好理解了，它們其實就是像U00-U04這樣的特征的組合，還是上面那個例子，U08表示 是/中。U08、U09這樣的叫bigram（和下面的Bigram不同，一般而言比Bigram靈活一點），U05-U07叫trigram。其實在crf++代碼是現中根據模板生成的特征也不過是一些字符串和對應的編號，然后通過學習得到特征函數的權重。
關於模板怎么寫，這取決於你，一般來說會有一個窗口（即考慮當前token前幾個后幾個），大小自定義，源碼里好像限制窗口最大為17，如果你的特征有多列，可能要多寫些像U00-U04這樣的模板不同的地方在於[,]里的第二項還有像U05-U09這樣的組合特征模板，下面的Bigram特征一般沒用，用的話也是最簡單的B。
其實現在看來當初的疑問很簡單，大家都是事后諸葛亮，但還是希望亡羊補牢為時未晚。學東西還是要學透，不然笨鳥還是笨鳥，最后連飛都飛不動了。