我想将隐马尔可夫模型用于无监督序列标记问题。由于我的应用程序领域的特殊性（识别对话中的对话行为），我想为每个状态使用多个发射（即多个特征）。因此，从图形上看，该模型将如下所示：
隐藏状态和观察变量都是离散的。排放概率假设是独立的，并通过标准分类分布建模。
我的问题如下：是否有任何公开可用的工具包或算法可以让我通过 Baum-Welch 的变体来学习这种类型的多重发射 HMM 的参数？据我所知，经典 HMM 工具包支持的唯一多重发射类型似乎是多元高斯，但我找不到关于上述类型的独立分类分布的任何信息。
当然，我知道我可以通过将每个观察值视为值向量（该向量中的每个维度对应于特定特征）并通过经典 Baum-Welch 估计该向量空间上的发射概率来“绕过”这个问题，但这会引入很多不必要的数据稀疏性。
有没有人有解决这个问题的建议？我敢肯定，我不是第一个尝试将 HMM 应用于具有多种特征的无监督学习的人！（或者也许我应该使用另一种类型的模型？我也考虑过使用 CRF，但它们似乎更难以应用于无监督学习问题）。
自从您发布以来已经有一段时间了，但以防万一，R 中的包msm可能是您需要的。此处的文档在第 2.18 节中通过示例很好地解释了，但简而言之，此包将允许您使用参数hmodel和使用hmm-dists和hmmMV提供的值同时对状态的排放进行建模. 支持多种类型的分布，包括离散变量。如果您认为您的结果排放来自相同的分布（以状态为条件），那么您可以约束 msm 以这种方式拟合模型，并根据给定状态的所有排放观测值估计一个通用模型。它们也可能被允许具有不同的参数或分布形式，并被拟合为多元模型。
然而，在拟合多元模型时， msm目前似乎不支持估计协变量对结果分布的影响（我实际上发现这个线程的原因，因为这是我现在遇到的问题）。换句话说，如果您确实使用了多变量方法（如果您的所有排放都具有相同的分布，这对您来说可能不是必需的），msm将只允许您的排放模型参数取决于状态而不是其他协变量。msm也没有使用 Baum-Welch，而是使用前向算法直接用矩阵乘积计算似然度。
处理观测分布稀疏性的一种简单方法是将其建模为朴素贝叶斯模型。您仍然可以使用 Baum-Welch 稍作修改。