HanLP中人名识别分析详解

最新推荐文章于 2023-11-14 16:51:57 发布

adnb34g

最新推荐文章于 2023-11-14 16:51:57 发布

阅读量493

点赞数

分类专栏：自然语言处理文章标签： hanlp 中文人名识别

自然语言处理专栏收录该内容

107 篇文章 4 订阅

订阅专栏

在看源码之前，先看几遍论文《基于角色标注的中国人名自动识别研究》

关于命名识别的一些问题，可参考下列一些issue:

·名字识别的问题 #387
·机构名识别错误
·关于层叠HMM中文实体识别的过程

HanLP参考博客：

词性标注

层叠HMM-Viterbi角色标注模型下的机构名识别

分词

在HMM与分词、词性标注、命名实体识别中说：

分词：给定一个字的序列，找出最可能的标签序列（断句符号：[词尾]或[非词尾]构成的序列）。结巴分词目前就是利用BMES标签来分词的，B（开头）,M（中间),E(结尾),S(独立成词）

分词也是采用了维特比算法的动态规划性质求解的，具体可参考：文本挖掘的分词原理

角色观察

以“唱首张学友的歌情已逝”为例，

先将起始顶点始##始，角色标注为：NR.A 和 NR.K，频次默认为1

iterator.next(); tagList.add(new EnumItem<NR>(NR.A, NR.K)); // 始##始 A K

对于第一个词“唱首”，它不存在于 nr.txt中，EnumItem<NR> nrEnumItem = PersonDictionary.dictionary.get(vertex.realWord);返回null，于是根据它本身的词性猜一个角色标注：

switch (vertex.guessNature()){

case nr:

case nnt:

default:{

nrEnumItem = new EnumItem<NR>(NR.A, PersonDictionary.transformMatrixDictionary.getTotalFrequency(NR.A));

}

由于"唱首"的Attribute为 nz 16，不是nr 和 nnt，故默认给它指定一个角色NR.A，频率为nr.tr.txt中 NR.A 角色的总频率。

此时，角色列表如下：

接下来是顶点“张”，由于“张”在nr.txt中，因此PersonDictionary.dictionary.get(vertex.realWord)返回EnumItem对象，直接将它加入到角色列表中：

EnumItem<NR> nrEnumItem = PersonDictionary.dictionary.get(vertex.realWord);

tagList.add(nrEnumItem);

加入“张”之后的角色列表如下：

“唱首张学友的歌情已逝” 整句的角色列表如下：

至此，角色观察部分就完成了。

总结一下，对句子进行角色观察，首先是通过分词算法将句子分成若干个词，然后对每个词查询人名词典(PersonDictionary)。

若这个词在人名词典中(nr.txt)，则记录该词的角色，所有的角色在com.hankcs.hanlp.corpus.tag.NR.java中定义。

若这个词不在人名词典中，则根据该词的Attribute “猜一个角色”。在猜的过程中，有些词在核心词典中可能已经标注为nr或者nnt了，这时会做分裂处理。其他情况下则是将这个词标上NR.A角色，频率为 NR.A 在转移矩阵中的总词频。

维特比算法(动态规划)求解最优路径

在上图中，给每个词都打上了角色标记，可以看出，一个词可以有多个标记。而我们需要将这些词选择一条路径最短的角色路径。参考隐马尔可夫模型维特比算法详解

List<NR> nrList = viterbiComputeSimply(roleTagList);

//some code....

return Viterbi.computeEnumSimply(roleTagList, PersonDictionary.transformMatrixDictionary);

而这个过程，其实就是：维特比算法解码隐藏状态序列。在这里，五元组是：

隐藏状态集合 com.hankcs.hanlp.corpus.tag.NR.java 定义的各个人名标签
观察状态集合已经分好词的各个tagList中元素(相当于分词结果)

转移概率矩阵由 nr.tr.txt 文件生成得到。具体可参考：
发射概率某个人名标签(隐藏状态)出现的次数除以所有标签出现的总次数

Math.log((item.getFrequency(cur) + 1e-8) / transformMatrixDictionary.getTotalFrequency(cur)

初始状态(始##始) 和结束状态(末##末)

维特比解码隐藏状态的动态规划求解核心代码如下：

for (E cur : item.labelMap.keySet())

{

double now = transformMatrixDictionary.transititon_probability[pre.ordinal()][cur.ordinal()] - Math.log((item.getFrequency(cur) + 1e-8) / transformMatrixDictionary.getTotalFrequency(cur));

if (perfect_cost > now)

{

perfect_cost = now;

perfect_tag = cur;

}

transformMatrixDictionary.transititon_probability[pre.ordinal()][cur.ordinal()] 是前一个隐藏状态 pre.ordinal()转换到当前隐藏状态cur.ordinal()的转移概率。Math.log((item.getFrequency(cur) + 1e-8) / transformMatrixDictionary.getTotalFrequency(cur)是当前隐藏状态的发射概率。二者“相减”得到一个概率保存在double now变量中，然后通过 for 循环找出当前观察状态对应的最可能的(perfect_cost最小) 隐藏状态 perfect_tag。

至于为什么是上面那个公式来计算转移概率和发射概率，可参考论文：《基于角色标注的中国人名自动识别研究》

在上面例子中，得到的最优隐藏状态序列(最优路径)K->A->K->Z->L->E->A->A 如下：

nrList = {LinkedList@1065} size = 8

"K" 始##始

"A" 唱首

"K" 张

"Z" 学友

"L" 的

"E" 歌

"A" 情已逝

"A" 末##末

例如：