語言模型訓練：
類HMM
Add_delta_train		第一個參數為訓練函數名，第二個函數為lambda數
	先對訓練語料統計所有狀態跳轉、狀態到輸出的出現頻率。再對它們進行Add_delta平滑。在計算概率前，需要先對概率矩陣初始化為一個最小值。
Hold_out_train		第一個參數為訓練函數名，第二個為訓練集占整個訓練語料的比例
	分別對訓練集和留存集的數據統計狀態跳轉、狀態到輸出的出現頻率。然后統計訓練集中某個狀態跳轉（或狀態到輸出）的頻率，用一個map<int,vector<node>>來儲存。Int是出現頻率，node是該點在訓練集中的位置。然后對照map，在留存集中找到相應的點，并計算概率。
	但是這里有一點值得注意：留存平滑求得的是共現概率，而不是HMM所假設的條件概率。嘗試用p(w,pos)/p(pos)來取代。
AllSeg	全切分函數，參數為要切分的句子
typedef struct {			typedef struct{
	int Pre_NodeId;				string str;
	int Pre_TagId;				int start;	//該詞在整個句子中的起始位置
	double Score;				int end;	//該詞在整個句子中的結束位置
}TagNode;						TagNode * tagnode;
							}WordNode;
	用兩個for循環嵌套找到所有在詞典中存在的詞的切分，把每個詞都按照WordNode的格式儲存。
ViterbiDecoder		韋特比解碼
對于AllSeg分割產生的Words向量，通過找到每個點的后繼點，同時計算它們之間的跳轉概率以及狀態到輸出的概率。并將每個前驅到該點的某一個狀態的概率最大值及路徑予以保留。在到達終點<EOS>后，再從后往前走，按照最大的概率得到找到最優路徑，保留在向量RWList里。
其中最優路徑保留的每個點結構為：
typedef struct {
	string str;	
	string curTag;
	int start;
	int end;
	int preNode;
	int preTag;
}ResultWord;
test				第一個參數是標準答案，第二個參數是要輸出的文件流
	測試時，先把標準答案進行處理，壓入一個向量Answer里，和RWList結構一樣。再對兩個向量進行比較。比較時，對于某一個測試生成的詞，利用最長公共子串匹配原則，判斷是否分割正確。只有在分割正確的前提下，再判斷POS是否標注正確。

Bigram訓練：
Bigram訓練和HMM訓練過程相似，而且只有一個狀態跳轉概率需要計算。只是由于它的狀態跳轉是一個詞到詞的轉換，如果直接建立一個大矩陣，要消耗相當大的內存。所以主要是考慮如何儲存頻率和模型的問題。
解碼過程和HMM也很相近，而且還要簡單。因為沒有了詞性標注這一塊，對每個點只需要保留該點的前驅到它的最大的概率得分和路徑即可。