集成学习

集成学习源于机器学习，它的思想是通过建立多个学习器独立地完成学习任务，然后使用某种策略把所有学习器的预测结果进行结合，从而获得比单一学习器更好的结果；这类学习器通常分为“基学习器”和“组建学习器”，基学习器用于学习同种类型的特征，组建学习器用于学习不同类型的特征，当这类学习器准确性较好且具有多样性时，模型能够在很大程度上获得更加优异的性能。在深度学习领域，特征融合技术采用集成学习的思想，通过使用不同类型的模型抽取不同种类的特征，然后对多维度的特征进行融合，能够获得比单一模型更好的效果。

条件随机场

CRF 模型是一种基于条件概率分布的鉴别式无向图，是对隐马尔可夫模型和最大熵模型（Maximum Entropy，ME）的一种改进，它通过学习相邻标签之间的依赖关系，在标签之间添加一些有效约束来赋予合理标签序列更大的概率值，以获得最佳预测序列