MiniSeg在传统的HMM分词模型上做了一点改进，修改了viterbi算法中的状态到字符的发射概率的计算方法，把它改为用Naive Bayes去估计。
用NB估计的时候考虑了了当前字符周围的字符。经过试验，取得了比传统HMM模型更好的分词效果（有待数据支持）。
NB的feture的建立是5个字符一个窗口。
比如，对于“....我是中国人....”的“中”这个字。
它的feature就是：
(我，是，中，国，人，我是，是中，中国，国人，是国) //10个feature
它的label就是：
"B"， 表示”中“这个字是一个词语的开头。
下面是用与NB训练的Feature+Label训练集合的一个截图：
代 中 后 期 ， 代中 中后 后期 期， 中期 B
中 后 期 ， 对 中后 后期 期， ，对 后， E
后 期 ， 对 叔 后期 期， ，对 对叔 期对 S
期 ， 对 叔 本 期， ，对 对叔 叔本 ，叔 S
， 对 叔 本 华 ，对 对叔 叔本 本华 对本 B
对 叔 本 华 、 对叔 叔本 本华 华、 叔华 M
叔 本 华 、 尼 叔本 本华 华、 、尼 本、 E
本 华 、 尼 采 本华 华、 、尼 尼采 华尼 S
华 、 尼 采 的 华、 、尼 尼采 采的 、采 B
、 尼 采 的 著 、尼 尼采 采的 的著 尼的 E
尼 采 的 著 作 尼采 采的 的著 著作 采著 S
采 的 著 作 读 采的 的著 著作 作读 的作 B
的 著 作 读 得 的著 著作 作读 读得 著读 E
著 作 读 得 多 著作 作读 读得 得多 作得 S
作 读 得 多 了 作读 读得 得多 多了 读多 S
读 得 多 了 ， 读得 得多 多了 了， 得了 S
得 多 了 ， 发 得多 多了 了， ，发 多， S
多 了 ， 发 现 多了 了， ，发 发现 了发 S
了 ， 发 现 他 了， ，发 发现 现他 ，现 B
， 发 现 他 们 ，发 发现 现他 他们 发他 E
发 现 他 们 思 发现 现他 他们 们思 现们 B
现 他 们 思 考 现他 他们 们思 思考 他思 E
他 们 思 考 的 他们 们思 思考 考的 们考 B
们 思 考 的 起 们思 思考 考的 的起 思的 E
思 考 的 起 点 思考 考的 的起 起点 考起 S
考 的 起 点 也 考的 的起 起点 点也 的点 B
的 起 点 也 是 的起 起点 点也 也是 起也 E
起 点 也 是 这 起点 点也 也是 是这 点是 S
你会发现，竖着读是通顺的：），第3列是主线。
B: 词语的开头
M: 词语的中间
E: 词语的结束
S: 单字成词
训练完成后，对于给定的一个字符，我们可以得到5个字符构成的窗口的feature，从而预测出它属于4个lable的概率分别是多少。
这显然别传统的HMM模型中发射概率：P(char|label)利用了更多的信息。
TODO
TODO