HanLP中的人名識別分析詳解

在看源碼之前，先看幾遍論文《基于角色標注的中國人名自動識別研究》

關(guān)于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(gòu)名識別錯誤

u  u關(guān)于層疊HMM中文實體識別的過程

HanLP參考博客：

詞性標注

層疊 HMM-Viterbi角色標注模型下的機構(gòu)名識別

分詞

在 HMM與分詞、詞性標注、命名實體識別中說：

分詞：給定一個字的序列，找出最可能的標簽序列（斷句符號： [詞尾]或[非詞尾]構(gòu)成的序列）。結(jié)巴分詞目前就是利用BMES標簽來分詞的，B（開頭）,M（中間),E(結(jié)尾),S(獨立成詞）

分詞也是采用了維特比算法的動態(tài)規(guī)劃性質(zhì)求解的，具體可參考：文本挖掘的分詞原理

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，角色標注為：NR.A 和 NR.K，頻次默認為1

對于第一個詞 “唱首”，它不存在于 nr.txt中， EnumItem<NR> nrEnumItem = PersonDictionary.dictionary.get(vertex.realWord); 返回 null，于是根據(jù)它本身的詞性猜一個角色標注：

由于 "唱首"的Attribute為 nz 16，不是nr 和 nnt，故默認給它指定一個角色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”，由于“張”在nr.txt中，因此 PersonDictionary.dictionary.get(vertex.realWord) 返回 EnumItem對象，直接將它加入到角色列表中：

加入 “張”之后的角色列表如下：

“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(jié)一下，對句子進行角色觀察，首先是通過分詞算法將句子分成若干個詞，然后對每個詞查詢?nèi)嗣~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(jù)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(jīng)標注為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(zhuǎn)移矩陣中的總詞頻。

維特比算法 (動態(tài)規(guī)劃)求解最優(yōu)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：維特比算法解碼隱藏狀態(tài)序列。在這里，五元組是：

u  隱藏狀態(tài)集合 com.hankcs.hanlp.corpus.tag.NR.java 定義的各個人名標簽

u  觀察狀態(tài)集合 已經(jīng)分好詞的各個 tagList中元素(相當于分詞結(jié)果)

u  轉(zhuǎn)移概率矩陣 由 nr.tr.txt 文件生成得到。具體可參考：

u  發(fā)射概率 某個人名標簽 (隱藏狀態(tài))出現(xiàn)的次數(shù) 除以 所有標簽出現(xiàn)的總次數(shù)

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

u  初始狀態(tài) (始##始) 和 結(jié)束狀態(tài)(末##末)

維特比解碼隱藏狀態(tài)的動態(tài)規(guī)劃求解核心代碼如下：

             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(tài)  pre.ordinal() 轉(zhuǎn)換到當前隱藏狀態(tài) cur.ordinal() 的轉(zhuǎn)移概率。 Math.log((item.getFrequency(cur) + 1e-8) / transformMatrixDictionary.getTotalFrequency(cur) 是當前隱藏狀態(tài)的發(fā)射概率。二者 “相減”得到一個概率 保存在 double now 變量中，然后通過 for 循環(huán)找出 當前觀察狀態(tài) 對應的 最可能的(perfect_cost最小) 隱藏狀態(tài) perfect_tag。

至于為什么是上面那個公式來計算轉(zhuǎn)移概率和發(fā)射概率，可參考論文：《 基于角色標注的中國人名自動識別研究 》

在上面例子中，得到的最優(yōu)隱藏狀態(tài)序列 (最優(yōu)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(tài)---觀察狀態(tài)
"K"----------始##始

最大匹配

有了最優(yōu)隱藏序列： KAKZLEAA，接下來就是：后續(xù)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(tài)的具體含義。比如說，若最優(yōu)隱藏序列中 存在 'U' 或者 'V'，

U Ppf 人名的上文和姓成詞 這里【有關(guān)】天培的壯烈

V Pnw 三字人名的末字和下文成詞 龔學平等領(lǐng)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

}

拆分完成之后，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，并將匹配的結(jié)果存儲到“最優(yōu)詞網(wǎng)”中。當然，在這里就可以自定義一些針對特定應用的 識別處理規(guī)則

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

     //.....

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

}

將識別出來的人名保存到最優(yōu)詞網(wǎng)后，再基于最優(yōu)詞網(wǎng)調(diào)用一次維特比分詞算法，得到最終的分詞結(jié)果 ---細分結(jié)果。

             if  (wordNetOptimum.size() != preSize)

            {

                vertexList = viterbi(wordNetOptimum);

                 if  (HanLP.Config.DEBUG)

                {

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

                }

            }

總結(jié)

源碼上的人名識別基本上是按照論文中的內(nèi)容來實現(xiàn)的。對于一個給定的句子，先進行下面三大步驟處理：

角色觀察

維特比算法解碼求解隱藏狀態(tài)（求解各個分詞 的 角色標記）

對角色標記進行最大匹配（可做一些后處理操作）

最后，再使用維特比算法進行一次分詞，得到細分結(jié)果，即為最后的識別結(jié)果。

這篇文章里面沒有寫維特比分詞算法的詳細過程，以及轉(zhuǎn)移矩陣的生成過程，以后有時間再補上?？丛创a，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代碼一步步來實現(xiàn)。由于我也是初學，對源碼的理解不夠深入或者存在一些偏差，歡迎批評指正。

關(guān)于動態(tài)規(guī)劃的一個簡單示例，可參考：動態(tài)規(guī)劃之 Fib數(shù)列類問題應用

文章來源 hapjin 的博客