共计 3609 个字符,预计需要花费 10 分钟才能阅读完成。
如何进行 HanLP 中人名识别分析,针对这个问题,这篇文章详细介绍了相对应的分析和解答,希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。
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:
隐藏状态 — 观察状态
K ———- 始 ## 始
最大匹配
有了最优隐藏序列:KAKZLEAA,接下来就是:后续的“最大匹配处理”了。
PersonDictionary.parsePattern(nrList, pWordSegResult, wordNetOptimum, wordNetAll);
在最大匹配之前,会进行“模式拆分”。在 com.hankcs.hanlp.corpus.tag.NR.java 定义了隐藏状态的具体含义。比如说,若最优隐藏序列中 存在 U 或者 V,
U Ppf 人名的上文和姓成词 这里【有关】天培的壮烈
V Pnw 三字人名的末字和下文成词 龚学平等领导, 邓颖【超生】前
则会做“拆分处理”
switch(nr)
{ case U: // 拆分成 K B
case V: // 视情况拆分}
拆分完成之后,重新得到一个新的隐藏序列(模式)
String pattern = sbPattern.toString();
接下来,就用 AC 自动机进行最大模式匹配了,并将匹配的结果存储到“最优词网”中。当然,在这里就可以自定义一些针对特定应用的 识别处理规则
trie.parseText(pattern, new AhoCorasickDoubleArrayTrie.IHit NRPattern (){ //.....
wordNetOptimum.insert(offset, new Vertex(Predefine.TAG_PEOPLE, name, ATTRIBUTE, WORD_ID), wordNetAll);
}
将识别出来的人名保存到最优词网后,再基于最优词网调用一次维特比分词算法,得到最终的分词结果 — 细分结果。
if (wordNetOptimum.size() != preSize)
{ vertexList = viterbi(wordNetOptimum); if (HanLP.Config.DEBUG)
{ System.out.printf( 细分词网:\n%s\n , wordNetOptimum);
}
}
源码上的人名识别
基本上是按照论文中的内容
来实现的。对于一个给定的句子,先进行下面三大步骤处理:
角色观察
维特比算法解码求解隐藏状态(求解各个分词 的 角色标记)
对角色标记进行最大匹配(可做一些后处理操作)
最后,再使用维特比算法进行一次分词,得到细分结果,即为最后的识别结果。
关于如何进行 HanLP 中人名识别分析问题的解答就分享到这里了,希望以上内容可以对大家有一定的帮助,如果你还有很多疑惑没有解开,可以关注丸趣 TV 行业资讯频道了解更多相关知识。