memm模型存在局部归一化的问题，导致预测序列倾向于选择那些转移状态（transfer）比较少的节点，但是如果不归一化会存在什么问题呢？
当我们使用最大熵、贝叶斯或者其它分类模型，预测当前字“好”可能归属于{S,B,E,M}中哪个状态时，得到的是一个总和为1的概率矩阵，比如{0.1, 0.3, 0.5, 0.1}，但是，前一个状态S只有可能转移到当前状态为B或者S，不可能转移到M和E，所以其转移矩阵P{S,B,E,M}可能等于{0.3, 0, 0, 0.7}，这样“好”字对应于B，S的发射概率只有0.3和0.5，其余的0.2是不起作用的，但是直接忽略掉这0.2会造成了模型的整体误差，所以需要把0.3和0.5进行归一化变成3/8和5/8，这也就是局部归一化。
但是，经过局部归一化之后，因为S的转出状态比较少，导致转移概率*发射概率 相对于转出状态多的B而言是比较大的，这会使模型倾向于更多的选择状态S。
