讀了CRF++源碼，總結如下幾點
1，實現的是linear-chain結構
2，感覺對樣例的表示方式不如maxent靈活，可以看看suit的實現
3，TaggerImpl存儲訓練樣例，x存儲相應的output序列，result存儲相應的狀態序列，answer存儲模型算出來的狀態序列；爲了實現多線程併發處理，另外存儲了處理該TaggerImpl的線程thread_id_；output序列中的每一個token都對應一個feature集合，整個output序列對應了feature集合的序列，系統將所有訓練樣例的feature集合順序存儲在一個feature_cache中，因此在每一個TaggerImpl中保存了自己的feature序列在feature_cache中偏移量feature_id_，而這個feature_cache存在於FeatureIndex對象中。系統中所有的TaggerImpl都共享一個FeatureIndex對象；爲了DP編程的方便，又包含一個Node二維數組，橫軸對應output中的每一個token，縱軸代表系統狀態集合中的每一個狀態。
4，Node存儲DP中的每一個狀態，包括alpha，beta，verterbi路徑前驅等。
5，與maxent不同的是在buildfeature的時候，系統會爲每一個<obeservation,state>狀態創建feature，這裏的state包括unigram和bigram特徵，而不管他們是否在訓練數據中出現過。
6，所有的observation從training data中提取，然後存儲在feature_cache的dict中，這個dict的結構是observation->pair<observationId,count>，最後observationId的最大值就是模型所有參數的個數。