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》html

關於命名識別的一些問題,可參考下列一些issue:java

  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:算法

詞性標註3d

層疊HMM-Viterbi角色標註模型下的機構名識別code

分詞orm

在HMM與分詞、詞性標註、命名實體識別中說:htm

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)對象

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blog

角色觀察get

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

相關文章
相關標籤/搜索