信息提取中标注序列是什么东西？隐马尔可夫模型里，观察序列和状态序列具体又是什么？

给你举个例子，假设有4个标号为1,2,3,4的盒子，每个盒子里有多个红黄两色的球，现在要取5个球，我们定一个规则：如果当前是从1号盒子取的球，那么下一个转到盒子2去取，如果当前是从盒子2取的，那么以60%的概率转到盒子1，40%的概率转到盒子3……（自己规定），假设最后我们取出5个球，{红红白红白}，这就是一个观测序列，而转移的盒子的序列就是状态序列，从观测的颜色序列（观测序列）我们看不出球是从哪个盒子中取出的（状态序列）

隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析，例如模式识别。
在正常的马尔可夫模型中，状态对于观察者来说是直接可见的。这样状态变迁概率便是全部的参数。而在隐马尔可夫模型中,状态并不是直接可见的，但受状态影响的某些变量则是可见的。每一个状态在可能输出的符号上都有一概率分布。因此输出符号的序列能够透露出状态序列的一些信息。
隐马尔可夫模型可以有以下描述：
1.N，模型状态数码，一般情况下，状态具有遍历性，即一个状态可有其他任何一个状态到达。模型的状态记为S = {S1,S2,……,SN}。
2．M，个状态可观察的离散符号数，对过程的物理输出进行矢量量化编码，符号数就是码书大小。符号记为V={V1,V2,……,VM}。
3，AN×N， 状态转移概率举证。描述了HMM模型中各个状态之间的转移概率。其中
Aij = P(at+1 =Sj | qt=Si),1≤i,j≤N. (1)
式（1）表示在t时刻、状态为Si的条件下，在t+1时刻状态是Sj的概率。
（4）BN×N ，观测符号概率分布矩阵。其中
Bj(k) = P[Vk(t) | qt = Sj]; 1≤j≤N,1≤k≤M.
表示在t时刻、状态是Sj条件下，观察符号为Vk(t)的概率。
5，πj = P[q1 = Sj];1≤j≤N.
表示在出示t=1时刻状态为Sj的概率。