基于规则的命名实体识别
简单的分词器(如二元分词器)无法识别OOV,所以需要运用一些规定的规则来辅助识别
如:在识别音译人名时,可以设置规则:一旦发现某词是人名,而该词后面跟随人名词时,将他们合并
层叠马尔科夫模型实现命名实体识别
针对不同情况,需要设计相应的标注集
拿人名识别举例
输入数据集进行训练后,代码会将人名拆分为碎片,模拟人名的错误切分.
接着,检查拆分后的姓名与其前后组成的词是否在辞典中.若在,根据标注集将其标注为对应的标签(如“这里有关天培”这个句子,姓名“关天培”拆分后组成了“有关”这个词语,它在辞典中.此时将这个词语标注为“上文成词”)
模型经过数据集的训练后进行测试时,会列出粗分的每个词语所有可能的标注,取可能性最大的标注,从而识别出人名
当然,通过设计对应的标注集,可以实现组织机构和地名的识别
序列标注实现命名实体识别
层叠马尔科夫模型的序列是单单通过统计的方法得到,所以对OOV的识别能力很差
而把前面学到的序列标注用到这上面,可以一定程度解决这个问题
而感知机因为特征利用率比隐马高,效果比隐马更好,这里介绍感知机实现命名实体识别.
相对于感知机分词,感知机命名实体识别的输入为 词语和词性,输出依旧为{B,M,E,S},本质依旧是序列标注
Hanlp的实现
python版本的命名实体识别代码:
analyzer = PerceptronLexicalAnalyzer(PerceptronSegmenter(), PerceptronPOSTagger(), recognizer) # ①
sentence = Sentence.create("与/c 特朗普/nr 通/v 电话/n 讨论/v [太空/s 探索/vn 技术/n 公司/n]/nt") # ②
while not analyzer.analyze(sentence.text()).equals(sentence): # ③
analyzer.learn(sentence)
第一行创建了感知机词法分析器,第二,三行训练了一个句子,重复在线学习直到分析结构与其一致为止