CRF++模板構建分為兩類，一類是Unigram標注，一類是Bigram標注。
Unigram和Bigram模板分別生成CRF的狀態特征函數 
和轉移特征函數 
。其中 
是標簽， 
是觀測序列， 
是當前節點位置。
Bigram 下面只需要加一個B就ok了，其它還是用Unigram模板生成特征。
主要介紹Unigram模板
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]
特征模板格式：%x[row,col]。x可取U或B，對應兩種類型。方括號里的編號用於標定特征來源，row表示相對當前位置的行，0即是當前行；col對應訓練文件中的列。這里只使用第1列（編號0），即文字。
Unigram template:第一個字符是U，這是用於描述unigram feature的模板。每一行%x[#,#]生成一個CRFs中的點(state)函數: f(s, o), 其中s為t時刻的的標簽(output)，o為t時刻的上下文.
這是CRF++例子中給出的模板，一共有９個模板，先看第一個模板，表示當前詞和其前面的第二個詞組成的特征，U02表示當前詞。
CRF++遍歷每一個位置時，會查看此位置前一個位置(-1,0)和前兩個位置(-2,0)和后一個位置（1,0）和后兩個位置（2,0），這是U00,U01,U02,U03,U04所規定的。至於后面幾個特征函數，比如U05，它把前面的幾個位置合起來看。
以‘小明今天穿了一件紅色上衣’為例，符合CRF++處理格式的這句話應該變成如下形式：
小 Ｂ
明 Ｉ
今 Ｂ
天 Ｉ
穿 Ｓ
了 Ｓ
一 Ｂ
件 Ｉ
紅 Ｂ
色 Ｉ
上 Ｂ
衣 Ｉ
假設我們有三個標記tag，Ｂ（表示一個詞的開頭那個字），Ｉ（表示一個詞的結尾那個字），Ｓ（表示單個字的詞）。
先看第一個模板Ｕ00:%x[-2,0],第一個模板產生的特征如下：
如果當前詞是‘今’，那-2位置對應的字就是‘小’，
每個特征對應的字如下：
U00:%x[-2,0]=====>小
U01:%x[-1,0]=====>明
U02:%x[0,0]=====>今
U03:%x[1,0]=====>天
U04:%x[2,0]=====>穿
U05:%x[-2,0]/%x[-1,0]/%x[0,0]=====>小/明/今
U06:%x[-1,0]/%x[0,0]/%x[1,0]=====>明/今/天
U07:%x[0,0]/%x[1,0]/%x[2,0]=====>今/天/穿
U08:%x[-1,0]/%x[0,0]=====>明/今
U09:%x[0,0]/%x[1,0]=====>今/天
根據第一個模板U00:%x[-2,0]能得到的轉移特征函數如下：
func1=if(output=B and feature=’U00:小‘ ) return 1 else return 0
func2=if(output=I and feature=’U00:小’) return 1 else return 0
func3=if(output=S and feature=’U00:小) return 1 else return 0
其中output=B 指的是當前詞（字）的預測標記，也就是’今‘的預測標記，每個模板會把所有可能的標記輸出都列一遍，然后通過訓練確定每種標記的權重，合理的標記在訓練樣本中出現的次數多，對應的權重就高，不合理的標記在訓練樣本中出現的少，對應的權重就少。
得到三個特征函數之后當前這個字’今‘的特征函數利用第一個模板就全了。然后掃描下一個字‘天‘，以’天‘字作為當前字預測這個字的標記tag,同樣會得到三個特征函數：
func4=if(output=B and feature=’U00:明’) return 1 else return 0
func5=if(output=I and feature=’U00:明’) return 1 else return 0
func6=if(output=S and feature=’U00:明’) return 1 else return 0
后面U01~U09都會按此方式繼續掃描生成特征函數。
func = if(output = B，and feature = “U05:小/明/今”) return 1 else return 0
即當前位置輸出標簽為B，並且當前位置為今，前一個位置是明，前兩個位置是小，則輸出1。
不管以何種方式掃描或者生成模板，最終會生成N*T*M個特征函數，N代表分詞中詞的個數，T代表分詞標注的tag標簽（B,I,S等），M代表模板個數。
Bigram類型
與Unigram不同的是，Bigram類型模板生成的函數會多一個參數：上個節點的標簽 。
生成函數類似於：
func1 = if (prev_output = B and output = B and feature=B01:"北") return 1 else return 0
這樣，每行模板則會生成 L*L*N 個特征函數。經過訓練后，這些函數的權值反映了上一個節點的標簽對當前節點的影響。
參考鏈接：https://www.cnblogs.com/pangxiaodong/archive/2011/11/21/2256264.html