HanLP中的人名識別分析詳解

在看源碼以前，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:

1. u名字識別的問題 #387
2. u機構名識別錯誤
3. u關於層疊HMM中文實體識別的過程

HanLP參考博客：

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算法的動態規劃性質求解的，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」爲例，

先將起始頂點 始##始，角色標註爲：NR.A 和 NR.K，頻次默認爲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，因而根據它自己的詞性猜一個角色標註：

因爲"唱首"的Attribute爲 nz 16，不是nr 和 nnt，故默認給它指定一個角色NR.A，頻率爲nr.tr.txt中 NR.A 角色的總頻率。

此時，角色列表以下：

接下來是頂點「張」，因爲「張」在nr.txt中，所以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」以後的角色列表以下：

「唱首張學友的歌情已逝」 整句的角色列表以下：

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，首先是經過分詞算法將句子分紅若干個詞，而後對每一個詞查詢人名詞典(PersonDictionary)。

1. 若這個詞在人名詞典中(nr.txt)，則記錄該詞的角色，全部的角色在com.hankcs.hanlp.corpus.tag.NR.java中定義。
2. 若這個詞不在人名詞典中，則根據該詞的Attribute 「猜一個角色」。在猜的過程當中，有些詞在覈心詞典中可能已經標註爲nr或者nnt了，這時會作分裂處理。其餘狀況下則是將這個詞標上NR.A角色，頻率爲 NR.A 在轉移矩陣中的總詞頻。

維特比算法(動態規劃)求解最優路徑

在上圖中，給每一個詞都打上了角色標記，能夠看出，一個詞能夠有多個標記。而咱們須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序列。在這裏，五元組是：

1. 隱藏狀態集合 com.hankcs.hanlp.corpus.tag.NR.java 定義的各我的名標籤
2. 觀察狀態集合 已經分好詞的各個tagList中元素(至關於分詞結果)

1. 轉移機率矩陣 由 nr.tr.txt 文件生成獲得。具體可參考：
2. 發射機率 某我的名標籤(隱藏狀態)出現的次數 除以 全部標籤出現的總次數

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

1. 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代碼以下：

            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()的轉移機率。Math.log((item.getFrequency(cur) + 1e-8) / transformMatrixDictionary.getTotalFrequency(cur)是當前隱藏狀態的發射機率。兩者「相減」獲得一個機率 保存在double now變量中，而後經過 for 循環找出 當前觀察狀態 對應的 最可能的(perfect_cost最小) 隱藏狀態 perfect_tag。

至於爲何是上面那個公式來計算轉移機率和發射機率，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，獲得的最優隱藏狀態序列(最優路徑)K->A->K->Z->L->E->A->A 以下：

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);

在最大匹配以前，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。好比說，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 這裏【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

則會作「拆分處理」

switch(nr)

{

    case U:

        //拆分紅K B

    case V:

        //視狀況拆分

}

拆分完成以後，從新獲得一個新的隱藏序列(模式)

String pattern = sbPattern.toString();

接下來，就用AC自動機進行最大模式匹配了，並將匹配的結果存儲到「最優詞網」中。固然，在這裏就能夠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);

}

將識別出來的人名保存到最優詞網後，再基於最優詞網調用一次維特比分詞算法，獲得最終的分詞結果---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

源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（可作一些後處理操做）

最後，再使用維特比算法進行一次分詞，獲得細分結果，即爲最後的識別結果。

這篇文章裏面沒有寫維特比分詞算法的詳細過程，以及轉移矩陣的生成過程，之後有時間再補上。看源碼，對隱馬模型的理解又加深了一點，感覺到了理論的東西如何用代碼一步步來實現。因爲我也是初學，對源碼的理解不夠深刻或者存在一些誤差，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 的博客