首先一点应该明白我们寻求的是使下式 PROB( C1,C2,……,CT �O W1,W2,……,WT ) 的概率最大的词性链。 　　根据Bayes概率公式，有 　　 　　由于，句子（词串）出现的概率对于任何词性来说是不变的，因此上式的优化求解问题的讨论将转化为其分子部分因素的讨论，即，问题成为寻找C1,C2,……,CT使下式（1）最大。 　　PROB(C1,C2,...,CT)×PROB(W1,W2,...,WT|C1,C2,...,CT) (1) 　　式（1）中第一项可以改写为： 　　PROB(C1,...,CT) 　　= PROB(C1,...,CT-1)×PROB(CT|C1,...,CT-1) 　　= PROB(C1,...,CT-2)×PROB(CT-1|C1,...,CT-2)×PROB(CT|C1,...,CT-1) 　　= ....... 　　= PROB(C1C2)×PROB(C3|C1C2)×...×PROB(CT|C1,...,CT-1) 　　= PROB(C1)×PROB(C2|C1)×PROB(C3|C2C1)×...×PROB(CT|C1,...,CT-1) 　　语言模型为n-gram模型时，我们考虑最简单的情况，使用二元模型bigram，那么： 　　PROB(C1,...,CT) 　　≌ PROB(C1|C0)×PROB(C2|C1)×...×PROB(CT|CT-1) 　　= ∏i=1,...,TPROB(Ci|Ci-1) 　　计算句子开始时，使用代替，此时的概率为PROB(C0)。例：