• 观察值之间严格独立。
• 状态转移过程中，当前状态仅依赖于前一个状态（一阶马尔科夫模型）。

如果放松第一个基本假设，则得到最大熵马尔科夫模型MEMM 。

最大熵马尔科夫模型并不通过联合概率建模，而是学习条件概率 。

它刻画的是：在当前观察值 和前一个状态 的条件下，当前状态 的概率。

MEMM 的参数学习使用最大熵中介绍的算法或者拟牛顿法，解码任务使用维特比算法。

标注偏置问题：

如下图所示，通过维特比算法解码得到：

可以看到：维特比算法得到的最优路径为 。

• 而维特比算法得到的最优路径全部停留在状态 1 ，这样与实际不符。

• MEMM倾向于选择拥有更少转移的状态，这就是标记偏置问题。