条件随机场（CRF）的Java源代码实现最新版本

package iitb.CRFAppl;
import iitb.CRF.*;
import iitb.Model.*;
import iitb.Utils.*;
...;


public class CRFAppl {
    Properties options;
    CRF crfModel;
    FeatureGenImpl featureGen;

    public static void main（String argv[]） throws Exception {
	    /* 
	     * Initialization:
	     * Get the required arguements for the application here.
	     * Also you will need to create a Properties object for arguements to be 
	     * passed to the CRF. You do not need to worry about this object 
	     * because there are default values for all the parameters in the CRF package.
	     * You may need to pass your own parameters values for tuning the application 
	     * performance.
	     */

	    /*
	     * There are mainly two phases for a learning application: Training and Testing.
	     * Implement two routines for each of the phases and call them appropriately here.
	     */
	    train（）;
	    test（）;
    }

    public void train（） throws Exception {
	    /*
	     * Read the training dataset into an object which implements DataIter 
	     * interface（trainData）. Each of the training instance is encapsulated in the 
	     * object which provides DataSequence interface. The DataIter interface
	     * returns object of DataSequence （training instance） in next（） routine.
	     */

	    /*
	     * Once you have loaded the training dataset you need to allocate objects 
	     * for the model to be learned. allocmodel（） method does that allocation.
	     */
		allocModel（）;
	
	    /*
	     * You may need to train some of the feature types class. This training is 
	     * needed for features which need to learn from the training data for instance
	     * dictionary features build generated from the training set.
	     */
	    featureGen.train（trainData）;

	    /*
	     * Call train routine of the CRF model to train the model using the 
	     * train data. This routine returns the learned weight for the features.
	     */
	    double featureWts[] = crfModel.train（trainData）;

	    /*
	     * You can store the learned model for later use into disk.
	     * For this you will have to store features as well as their 
	     * corresponding weights.
	     */
	    crfModel.write（baseDir+“/learntModels/“+outDir+“/crf“）;
	    featureGen.write（baseDir+“/learntModels/“+outDir+“/features“）;

    }

    public void test（） throws Exception {
	    /*
	     * Read the test dataset. Each of the test instance is encapsulated in the 
	     * object which provides DataSequence interface. 
	     */

	    /*
	     * Once you have loaded the test dataset you need to allocate objects 
	     * for the model to be learned. allocmodel（） method does that allocation.
	     * Also you need to read learned parameters from the disk stored after
	     * training. If the model is already available in the memory then you do 
	     * not need to reallocate the model i.e. you can skip the next step in that
	     * case.
	     */
		allocModel（）;
		featureGen.read（baseDir+“/learntModels/“+outD