HMM到底是一个什么样的东西，我想从我研究的一个应用场景开始说起。之所以想重新描述一下我对HMM的理解，是因为上次面试百度糯米的时候，自己没有把HMM在应用上说的很明白，不过糯米的那位郑姓面试官我也是服，盛气凌人完全不是招聘的样子啊，罢了，还是自己准备的不够充分，特来博客上总结一发。
我所研究的问题，概括来讲，就是缩略语的还原。且看下面的图1所示的例子：
图示很直观，怎么把网络中经常出现的武大电信院，还原为武汉大学电子信息学院呢？类似的例子还有很多，这里不再一一列举。可以说，缩略语的使用在汉语中是非常普遍的现象。如果采用字典查找的方法，当然也可以取得不错的准确率，前提是你构造的字典要足够完备，显然这种方法无法解决新登录缩略语的还原问题。这个场景，如何应用在HMM模型上，我想从这个图中，便可以很直观的感受出来：将待还原的缩略语看成是观测序列，而将缩略语对应的原短语，看成是隐马尔可夫链中的隐藏序列。这样，根据缩略语，寻找最有可能输出该缩略语的原短语，便成为了一个典型的隐马尔可夫模型的求解问题，使用Viterbi算法，便可以轻松的求解出来。
我们知道，HMM模型是基于三个假设产生的，那么这三个假设，在这个应用场景中，分别有什么意义呢？如下：
1）马尔科夫假设，即一阶马尔科夫假设。它的意思就是，下一个状态只依赖于其前一个状态，而和之前的其他状态无关（因此，由于第一个状态没有前一个状态，HMM会有一个参数pi，表示各个状态在马尔科夫链第一个位置出现的概率的大小，状态如不特别声明，都是指的隐藏状态，下同）。这里，拿武汉-大学-电子三个状态来讲，电子只依赖于大学，而和武汉没有关系。这里显然可以根据实际的应用问题，将该假设扩展为高阶假设。
2）不动性假设，也就是时间无关性假设。它的意思是说，状态i转移到状态j，在马尔科夫链上的任何位置发生的概率，是一样大的。在这个例子里面，我们可以这样理解：武汉这个状态i，出现在马尔科夫链的开头时，它转移到大学这个状态j的概率，和武汉出现在马尔科夫链的其他位置转移到大学这个状态的概率，是一样大的。但是这样的假设，在这个应用问题上，显然不是十分合适的，因为按照我们的经验来看，特定的位置上，一般会发生特定类型的转移，比如当武汉这个状态出现在比较靠前的位置，那么其转移到大学这个状态的概率就会大一些。
3）输出独立性假设。即当然得输出状态，仅和当前的隐藏状态有关，而和其他的状态没有关系。这个显然不是很好扩展，而且该假设很大的降低了计算复杂度。试想一下，如果每次你还要计算其他N个状态对该输出的影响，那么计算量是相当可怕的。但是，我们可以利用时间信息来影响输出概率。这显然是合理的，比如，当武汉这个状态出现在马尔科夫链的head处，则其输出“武”这个观测状态的概率，就需要增大，需要进行一定的加权。
这便是HMM的三个假设在该问题上的应用含义。可是，我们要利用HMM解决这个问题，需要哪些数据？我们又该如何进行，模型训练和模型求解呢？这其实就是HMM的三个基本问题：评估问题（数据集的似然概率），解码问题（找出最有可能的隐藏状态序列）以及学习问题（根据数据集训练模型参数）。HMM有三个基本的参数，A，B和pi，假设我们有N个隐藏状态，M个观测状态，则A是N阶矩，B则是N*M大小的矩阵，pi则是1*N的向量（表示第i个状态出现在位置0的概率大小）。那么在这个问题上，我们首先要确定什么是隐藏状态和观测状态。观测状态其实就是缩略语中的每一个字符，而隐藏状态则是中文词表。然而为了减小计算量，我们可以将那些不含有观测状态字符的词，生成该观测状态的概率，设置为0。
需要什么数据呢？首先，HMM的训练是一个非监督的训练（Baum-Welch算法接下来再讲解），我们只需要拿到观测序列的集合即可完成模型的EM方法求解。这是书上说的，但是要这么做，就需要先随机的初始化A和B，再不济你也可以设置A和B均匀分布，这样便可以生成任何的观测序列。然而，这样不负责任的初始化，很容易陷入局部最优解的问题，而且数学之美上也提到过，Baum-Welch算法一般没有监督方法得到的解好，但是监督训练需要大量的人工标注。因此，一般来讲，我们可以拿一份标注的数据，通过标注和统计，将A和B进行一次初始化，然后进行Baum-Welch的迭代优化。而且，由于在我的扩展中，我还需要统计位置信息，所以确实标注一下进行初始化是一个不错的选择，但是，这并不是必须的。