條件隨機場（Conditional Random Field，簡稱CRF）是一種機率圖形模型，由Lafferty等人於2001年提出。它結合了最大熵模型和隱馬爾可夫模型的特點，是一種無向圖模型。CRF算法在分詞、詞性標註和命名實體識別等序列標註任務中取得了很好的效果。
CRF是一個典型的判別式模型，其聯合機率可以寫成若乾勢函式聯乘的形式，其中最常用的是線性鏈條件隨機場。在給定一個輸入序列的情況下，線性鏈的CRF模型定義狀態序列的聯合條件機率為 \( p(y|x) = \frac{\exp\left( \sum_{i} w_j f_j(y, x) \right)}{Z(x)} \)，其中 \( Z(x) \) 是以觀察序列 \( x \) 為條件的機率歸一化因子；\( f_j(y, x) \) 是一個任意的特徵函式；\( w_j \) 是每個特徵函式的權值。
CRF的特點是假設輸出隨機變數構成馬爾可夫隨機場，即輸出隨機變數的條件分布只與其前一狀態相關。這與隱馬爾可夫模型（HMM）不同，HMM假設觀測狀態之間相互獨立，而在CRF中，觀測狀態之間可以存在依賴關係。
CRF算法通過去除了隱馬爾科夫算法中的觀測狀態相互獨立假設，使算法在計算當前隱狀態時會考慮整個觀測序列，從而獲得更高的表達能力，並進行全局歸一化解決標註偏置問題。這使得CRF在處理序列標註問題時，能夠更好地利用上下文信息，提高標註的準確性。
總結來說，CRF算法是一種有效的序列標註工具，它通過結合全局信息進行建模，提高了標註的準確性和魯棒性。