结构预测里的老熟人，条件随机场（CRF）还挺值得一聊的。它不靠猜，不靠蒙，而是看整个序列来判断每个标签，靠谱得。在 NLP 里像词性标注、命名实体识别这种任务，CRF 用起来那叫一个顺手。

CRF 的思路其实不难懂：输入是观察数据（比如一句话的词），输出是想打的标签（比如这些词的词性）。不同于只看眼前的模型，CRF 讲究的是“全局视野”，考虑整个句子前后的信息。

建模时会用转移特征和状态特征，前者负责两个标签之间的关系，后者管当前词和标签的匹配。像f(y_t, y_{t-1}, x_t)和g(y_t, x_t)这些函数，就是用来打分的。

推理的时候，常用维特比算法。你可以理解成“从头到尾找一条分最高的路径”，一路筛选掉不靠谱的选项，只保留性最大的组合，挺像动态规划那套思路。

建议你如果平时搞 NLP 或者 CV 领域的任务，不妨把 CRF 和 Viterbi 一块学一学，尤其是在模型解释性比较重要的项目中，CRF 的表现真心还不错。

如果你想深入一点，看看这几个扩展阅读也蛮有的，像CRF 在序列标注中的应用、HMM 模型实现都值得一读。