训练数据和测试数据的格式： 
 
如上所示，”He reckons the current account deficit will narrow to only #1.8 billion in September .”代表一个训练句子xx，而CRF要求将这样的句子拆成每一个词一行并且是固定列数的数据，其中列除了原始输入，还可以包含一些其他信息，比如上面的例子第二列就包含了POS信息，最后一列是Label信息，也就是标准答案yy。而不同的训练序列与序列之间的相隔，就靠一个空白行来区分。
CRF训练的时候，要求我们提供特征模版，什么是特征模版呢，先来看如下图片： 

 
“%x[row, column]” 代表获得当前指向位置向上或向下偏移|row|行，并指向第column列的值。比如上图中，当前指向位置为 “the DT B-NP”，那么”%x[0,0]”代表获得当前指向偏移0行，第0列的值，也就是”the”，而”%x[0,1]”代表获得当前指向偏移0行，第1列的值，也就是”DT”，”%x[-2,1]”则代表获得当前指向向上偏移2行，第1列的值，也就是”PRP”，如此类推。 
CRF中主要有两种特征模版，Unigram和Bigram 模版，注意Unigram和Bigram是相对于输出序列而言，而不是相对于输入序列。对于”U01:%x[0,1]”这样一个模版，上面例子的输入数据会产生如下的特征函数： 
 
假如输出序列的集合大小为：LL，那么训练数据的每一行都会产生LL个特征函数，假如输入序列长度为NN，那么一个Unigram模版将会产生N∗LN∗L个特征函数。类似的，一个这样的Bigram模版”B01:%x[0,1]”，会考虑当前输出标签还有上一个输出标签，类似的会产生如下特征函数： 
 
这样组合下将会产生N∗L∗LN∗L∗L个特征函数。

U模板, 状态特征, 即无向图中的点; 计算的cost即是其特征向量对应的权值

B模板, 转移特征, 即无向图中的边;(所谓转移指的是输出y的转移,而不是观测值x)

概率图中的每个节点, 每条边都对应着一个特征向量, 节点是U特征, 边是B特征

   //将根据特征os，获取该特征的id，如果不存在该特征，生成新的id，将该id添加到feature变量中
    private boolean buildFeatureFromTempl(List<Integer> feature, List<String> templs, int curPos, TaggerImpl tagger)
    {
        for (String tmpl : templs)
        {
            String featureID = applyRule(tmpl, curPos, tagger);
            if (featureID == null || featureID.length() == 0)
            {
                System.err.println("format error");
                return false;
            }

            //将提取的特征转化为数值,存入feature中,即feature代表一个节点(node或path)的特征向量
            int id = getID(featureID);//获取该特征的id，如果不存在该特征，生成新的id
            if (id != -1)
            {
                feature.add(id);
            }
        }
        return true;
    }

    public boolean buildFeatures(TaggerImpl tagger)
    {
        List<Integer> feature = new ArrayList<Integer>();
        List<List<Integer>> featureCache = tagger.getFeatureCache_();//存放是每个节点或者边对应的特征向量，节点便是node[i][j]，边的概念后续会接触
        tagger.setFeature_id_(featureCache.size());//做个标记，以后要取该句子的特征，可以从该id的位置取

        for (int cur = 0; cur < tagger.size(); cur++)//遍历每个词，计算每个词的特征
        {
            if (!buildFeatureFromTempl(feature, unigramTempls_, cur, tagger))//函数根据当前词（cur）以及当前的特征（如： %x[-2,0]），生成一个特征向量feature
            {
                return false;
            }
            feature.add(-1);
            featureCache.add(feature);//将该词的特征添加到feature_cache中，add方法会将feature拷贝一份并将最后添加-1，方便后续读取
            feature = new ArrayList<Integer>();
        }
        for (int cur = 1; cur < tagger.size(); cur++)//遍历每条边，计算每条边的特征
        {
            if (!buildFeatureFromTempl(feature, bigramTempls_, cur, tagger))
            {
                return false;
            }
            feature.add(-1);
            featureCache.add(feature);
            feature = new ArrayList<Integer>();
        }
        return true;
    }