对于中文的NLP来说，完成分词和词性标注之后，命名实体识别是接下来重要的一步，其目的是为了识别自然语言中的各部分词性和分类。但是和实际需要的自然语言处理的关系呢？以及其基本的实现原理？包括常用的HMM,CRF和逐渐火热起来的Deep learning用与实体识别。这里做一个初步的探索。$\pi$
命名实体识别的本质是按预计定义对词进行分类，常见的识别目标有人名，地名，货币，时间，商品名，机构名等等。
命名实体识别方法可分为按统计和按规则，因为个人目前对ML领域的兴趣，所以打算从统计方法入手。下面介绍常用的隐性马尔可夫模型(HMM)，和学校里学到的markov chain不同，此处HMM的状态是不可见的。思考HMM与命名实体识别(NER)的关系，为什么用HMM来解决NER的问题呢？摘自wiki的一个图：
Figure 1. Probabilistic parameters of a hidden Markov model (example)
x(n)表示某一个时间的状态，是不可直接观测的，但是可以通过观测y(n)来间接观测。常用的Viterbi算法就是计算已知y(n)序列下的x(n)序列的概率问题。Viterbi算法之前在学校学习卷积码计算中接触过，现在简单回顾一下。Viterbi算法是个基于动态规划思路的算法，算法的目的是计算概率最大的路径。
