自然語言處理工具HanLP-基於層疊HMM地名識別

本篇接上一篇內容《HanLP-基於 HMM-Viterbi 的人名識別原理介紹》 介紹一下層疊隱馬的原理。

首先說一下 上一篇 介紹的人名識別效果對比：

1. 只有 Jieba 識別出的人名

準確率極低，基本為地名或複雜地名組成部分或複雜機構名組成部分。舉例如下：

[1] 戰亂的阿富汗地區， qiang zhi 可隨意買賣， AK47 價格約 500 人民幣

“阿富汗”被識別為人名。

[2] 安慶到桂林自駕遊如何規劃？

“桂林”被識別為人名。

[3] 2018 天津市和平分局招聘社群戒毒、社群康復工作人員成績查詢入口

“康復”被識別為人名。

2. 只有 HanLP 識別出的人名

除了特別常用姓氏的名字識別正確，其他的都識別錯誤。舉例如下：

[1] 納溪區副區長李明帶隊到“花田酒地”景區檢查節前安全工作

“花田酒”被被識別為人名。

[2] 秀英“線上線下”齊發力 助力貧困戶“微互動”拓寬農產品銷路

“齊發力”被識別為人名。

[3] 緊急通知：秦報融媒粉團祖山一日遊日報名費大調整！

“秦報”被識別為人名。

3. HanLP 與 Jieba 都識別出的人名

1. 非常用姓氏識別出的人名基本錯誤。

[1] 房產高管薪酬大起底 萬科鬱亮年薪 1189.9 萬僅排第二

[2] 生生不息 南通支雲釋出汶川地震十週年海報呼籲賽前默哀

[3] 為什麼伊郎不能有核武器，而美國有核武器？

2. 名字本身構成詞時基本錯誤。

[1] 周口一村莊楊絮著火，對付楊絮用啥方法好呢？

[2] 上聯 : 三國魏蜀吳，如何對下聯？

[3] 上聯 : 燈火輝煌萬家樂。求下聯？

 

如何解決這些 badcase 呢，要看你的時間了，如果時間充裕的話，可以調整發射機率檔案也就是 nr.txt 檔案。如果時間不充裕的話，比如我現在的情況，那就只保留常用姓氏，以及特別需要關注的人名了。

上一篇 的內容先說到這裡，介紹 本篇 的主題 ”基於層疊隱馬的命名實體識別”我這裡主要閱讀的是這篇文章《基於層疊隱馬爾可夫模型的中文命名實體識別》。層疊就是將模型級聯起來的意思，因此係統的結構如下圖所示：

 

如圖所示，層疊隱馬就是訓練三個隱馬模型，每個模型標註一種實體，三個模型採用級聯形式連線。

 

不同的實體有不同的角色標註，實際就是特徵，這些特徵需要有語言學的知識，實際上就是你的閱讀量，透過你大量閱讀總結經驗，比如姓氏可以作為名字的一個特徵（張、王、李、趙），常用地名的字尾可以作為一個特徵（省、市、區、縣），機構名錶處所的尾字可以作為一個特徵（局、處、所、院）。這裡地名的角色標註簡表如下所示：