HanLP中的人名識別分析詳解

在看原始碼之前，先看幾遍論文《基於角色標註的中國人名自動識別研究》

關於命名識別的一些問題，可參考下列一些 issue:

u u名字識別的問題 #387

u u機構名識別錯誤

u u關於層疊HMM中文實體識別的過程

HanLP參考部落格：

詞性標註

層疊 HMM-Viterbi角色標註模型下的機構名識別

分詞

在 HMM與分詞、詞性標註、命名實體識別中說：

分詞：給定一個字的序列，找出最可能的標籤序列（斷句符號： [詞尾]或[非詞尾]構成的序列）。結巴分詞目前就是利用BMES標籤來分詞的，B（開頭）,M（中間),E(結尾),S(獨立成詞）

分詞也是採用了維特比演算法的動態規劃性質求解的，具體可參考：文字挖掘的分詞原理

角色觀察

以 “唱首張學友的歌情已逝”為例，

先將起始頂點始 ##始，角色標註為：NR.A 和 NR.K，頻次預設為1

對於第一個詞 “唱首”，它不存在於 nr.txt中， EnumItem<NR> nrEnumItem = PersonDictionary.dictionary.get(vertex.realWord); 返回 null，於是根據它本身的詞性猜一個角色標註：

由於 "唱首"的Attribute為 nz 16，不是nr 和 nnt，故預設給它指定一個角色NR.A，頻率為nr.tr.txt中 NR.A 角色的總頻率。

此時，角色列表如下：

接下來是頂點 “張”，由於“張”在nr.txt中，因此 PersonDictionary.dictionary.get(vertex.realWord) 返回 EnumItem物件，直接將它加入到角色列表中：

加入 “張”之後的角色列表如下：

“唱首張學友的歌情已逝” 整句的角色列表如下：

至此，角色觀察部分就完成了。

總結一下，對句子進行角色觀察，首先是通過分詞演算法將句子分成若干個詞，然後對每個詞查詢人名詞典 (PersonDictionary)。

u 若這個詞在人名詞典中 (nr.txt)，則記錄該詞的角色，所有的角色在 com.hankcs.hanlp.corpus.tag.NR.java 中定義。

u 若這個詞不在人名詞典中，則根據該詞的 Attribute “猜一個角色”。在猜的過程中，有些詞在核心詞典中可能已經標註為nr或者nnt了，這時會做分裂處理。其他情況下則是將這個詞標上NR.A角色，頻率為 NR.A 在轉移矩陣中的總詞頻。

維特比演算法 (動態規劃)求解最優路徑

在上圖中，給每個詞都打上了角色標記，可以看出，一個詞可以有多個標記。而我們需要將這些詞選擇一條路徑最短的角色路徑。參考隱馬爾可夫模型維特比演算法詳解

List<NR> nrList = viterbiComputeSimply(roleTagList); //some code.... return Viterbi.computeEnumSimply(roleTagList, PersonDictionary.transformMatrixDictionary);

而這個過程，其實就是：維特比演算法解碼隱藏狀態序列。在這裡，五元組是：

u 隱藏狀態集合 com.hankcs.hanlp.corpus.tag.NR.java 定義的各個人名標籤

u 觀察狀態集合已經分好詞的各個 tagList中元素(相當於分詞結果)

u 轉移概率矩陣由 nr.tr.txt 檔案生成得到。具體可參考：

u 發射概率某個人名標籤 (隱藏狀態)出現的次數除以所有標籤出現的總次數

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

u 初始狀態 (始##始) 和結束狀態(末##末)

維特比解碼隱藏狀態的動態規劃求解核心程式碼如下：

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()] 是前一個隱藏狀態 pre.ordinal() 轉換到當前隱藏狀態 cur.ordinal() 的轉移概率。 Math.log((item.getFrequency(cur) + 1e-8) / transformMatrixDictionary.getTotalFrequency(cur) 是當前隱藏狀態的發射概率。二者 “相減”得到一個概率儲存在 double now 變數中，然後通過 for 迴圈找出當前觀察狀態對應的最可能的(perfect_cost最小) 隱藏狀態 perfect_tag。

至於為什麼是上面那個公式來計算轉移概率和發射概率，可參考論文：《基於角色標註的中國人名自動識別研究》

在上面例子中，得到的最優隱藏狀態序列 (最優路徑)K->A->K->Z->L->E->A->A 如下：

nrList = {LinkedList@1065} size = 8
"K" 始##始
"A" 唱首
"K" 張
"Z" 學友
"L" 的
"E" 歌
"A" 情已逝
"A" 末##末
例如：
隱藏狀態---觀察狀態
"K"----------始##始

最大匹配

有了最優隱藏序列： KAKZLEAA，接下來就是：後續的“最大匹配處理”了。

PersonDictionary.parsePattern(nrList, pWordSegResult, wordNetOptimum, wordNetAll);

在最大匹配之前，會進行 “模式拆分”。在com.hankcs.hanlp.corpus.tag.NR.java 定義了隱藏狀態的具體含義。比如說，若最優隱藏序列中存在 'U' 或者 'V'，

U Ppf 人名的上文和姓成詞這裡【有關】天培的壯烈

V Pnw 三字人名的末字和下文成詞龔學平等領導, 鄧穎【超生】前

則會做 “拆分處理”

switch (nr)

{

case U:

//拆分成K B

case V:

//視情況拆分

}

拆分完成之後，重新得到一個新的隱藏序列 (模式)

String pattern = sbPattern.toString();

接下來，就用 AC自動機進行最大模式匹配了，並將匹配的結果儲存到“最優詞網”中。當然，在這裡就可以自定義一些針對特定應用的識別處理規則

trie.parseText(pattern, new AhoCorasickDoubleArrayTrie.IHit<NRPattern>(){

//.....

wordNetOptimum.insert(offset, new Vertex(Predefine.TAG_PEOPLE, name, ATTRIBUTE, WORD_ID), wordNetAll);

}

將識別出來的人名儲存到最優詞網後，再基於最優詞網呼叫一次維特比分詞演算法，得到最終的分詞結果 ---細分結果。

if (wordNetOptimum.size() != preSize)

{

vertexList = viterbi(wordNetOptimum);

if (HanLP.Config.DEBUG)

{

System.out.printf( "細分詞網：\n%s\n" , wordNetOptimum);

}

總結

原始碼上的人名識別基本上是按照論文中的內容來實現的。對於一個給定的句子，先進行下面三大步驟處理：

角色觀察

維特比演算法解碼求解隱藏狀態（求解各個分詞的角色標記）

對角色標記進行最大匹配（可做一些後處理操作）

最後，再使用維特比演算法進行一次分詞，得到細分結果，即為最後的識別結果。

這篇文章裡面沒有寫維特比分詞演算法的詳細過程，以及轉移矩陣的生成過程，以後有時間再補上。看原始碼，對隱馬模型的理解又加深了一點，感受到了理論的東西如何用程式碼一步步來實現。由於我也是初學，對原始碼的理解不夠深入或者存在一些偏差，歡迎批評指正。

關於動態規劃的一個簡單示例，可參考：動態規劃之 Fib數列類問題應用

文章來源 hapjin 的部落格

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/31524777/viewspace-2217843/，如需轉載，請註明出處，否則將追究法律責任。

HanLP中的人名識別分析詳解

相關文章