Mynlp中的高性能、自动歧义识别的人名识别算法

Mynlp采用结构化感知机和序列标注模型进行人名识别,无需预先分词,能从文本中直接提取并识别歧义。在PKU数据集上,未考虑古汉语人名时,F1分数高达94.91。项目源码可在GitHub找到,调用简便,模型大小11.5M,内存占用45M。
摘要由CSDN通过智能技术生成

人名识别

Mynlp的人名识别是基于结构化感知机、序列标注模型的实现。独特之处在于特征函数和Label的设计和其他NLP工具的差别。

该人名识别算法是基于字符输入的,也就是说不需要预先分词,直接从文本中提取人名,
天然具有歧义识别。在PKU数据集上,最终F1达94.91,如果剔除古汉语人名的影响,F1可以更高。

Mynlp项目地址:
https://github.com/mayabot/mynlp

调用非常简单

<dependency>
  <groupId>com.mayabot.mynlp</groupId>
  <artifa
文信息计算机自动处理的研究已有几十年的 历史 , 但至今仍有许多技术难题没有得到很好解 决 , 文姓名自动识别问题就是其的一个。由于 它与文文本的自动分词一样 , 属于文信息处理 的基础研究领域 , 因而它的研究成果直接影响到 文信息的深层次研究。汉语的自身特点使得文信 息自动处理大多是先对要处理的文本进行自动分词 (加入显式分割符) , 然后再在分词的基础上进行词 法、语法、语义等方面的深入分析。而在分词阶 段 , 文本人名、地名以及其它专有名词和生词 大多被切分成单字词 , 在这种情形下如不能很好地 解决汉语文本专有名词生词的识别问题 , 将给其 后的汉语文本的深入分析带来难以逾越的障碍。 文姓名的自动识别问题就是在这种背景下提出来 的。对这一问题的研究目前采用的技术主要利用 以下几方面的信息: 姓名用字的频率信息、上下文 信息[1 ,2 ] 、语料库统计信息[2 ] 、词性信息等[3 ] 。本 文的方法是 , 首先对人名的构成、姓名用字的 规律及上下文文本信息特征进行充分分析 , 在此基 础上建立起两组规则集 , 将其作用于测试文本 , 获 得初步识别结果 , 再利用大规模语料库的统计信息 对初步识别结果进行概率筛选 , 设定合适的阈值 , 输出最终识别结果。经对 50 多万字的开放语料测 试 , 系统自动识别出 1781 个人名 , 在不同的 筛选阈值下获得 90 %以上的识别准确率 , 而召回 率高于 91 %。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值