HMM作为一个生成式概率图模型，可以被用来处理序列标注的问题，如分词、词性标注，以及命名实体标注。
它把分词问题转为字的分类问题(序列标注问题)——由字构词，不依赖事先编制好的词表，但仍然需要分好词的训练语料 ，单字S，开始B-中间M-结尾E ， 已知观察序列求对应的形式化序列
HMM描述的是一个从 隐状态序列(如实体标记，所属集合是N种标签) 生成 可观测结果(如可读文本，所属集合是M个汉字) 的过程
第一假设是第 t 个时刻的隐状态只跟前一时刻 t - 1 时刻的隐状态有关，计算一个转移概率 —— N * N 的转移概率矩阵
第二个假设是观测独立，任意时刻观测 $o_t$ 只依赖 当前时刻的 隐状态 $i_t$, 计算一个发射概率—— N * M 的发射概率矩阵
那么如何用HMM来解决序列标注问题呢？
首先是通过监督学习的方式获取参数，即首先有一些文本和标注对应的现有数据，然后训练一个HMM来拟合这些数据。最简单的方式是直接用极大似然估计来估计参数
假设我们已经通过建模学习到了初始概率、转移概率和发射概率这三大参数，就可以通过文本倒推出标记。
很显然，从HMM的假设和计算过程可以看出，求得的只是当前时刻的最优标注，不一定能得出全局最优序列路径 —— 解决： 维特比算法
维特比算法使用了动态规划算法来解决类似HMM和CRF的预测问题，找到概率最大路径，即文本处理中最优的实体标注序列。
它的简单原理可理解为：在每一个时刻，计算当前时刻落在每种隐状态的最大概率，并记录这个最大概率是从前一时刻哪一个隐状态转移过来的，最后再从结尾达到最大概率的那个隐状态回溯，就可以得到最有可能的最优路径。
有两个 N * M 的矩阵，第一个行 i 表示隐状态，列 j 表示时刻，矩阵单元表示第 j 时刻落到隐状态 i 的最大可能概率；第二个矩阵记录的是这个最大可能概率是从第 i - 1 时刻的哪一个隐状态 i 转移过来的， 即 最大可能概率的转移路径
关键在于计算最大可能概率。需要用到第一个矩阵，与HMM中的另外三个矩阵进行运算获得。
最优路径：假设有一条最优路径在 t 时刻通过一个隐状态 $i_t$ , 那么从 $i_t$ 到最优路径终点 $i_T$ 相对于 这段距离里所有可能出现的路径，也必须是最优的。
因此：从最后一步达到的最大概率的隐状态，根据第二个矩阵记录的转移状态向前回溯至第一时刻，就可以找到最优路径了。由此可以看出，第一个矩阵只用到了最后一列，在实际中可以用不断覆盖的方式的减少存储占用。
很显然，相对于HMM，Viterbi算法增加了一个时刻的概念，我的理解是这样其实是在求平均值…所以算法的复杂度为 $O(TN^2)$
在实际的预测中，为了防止计算结果的下溢，将乘法变为取对数之后的加法