成都网站建设设计

将想法与焦点和您一起共享

如何进行HanLP中人名识别分析-创新互联

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。

创新互联公司-专业网站定制、快速模板网站建设、高性价比和平网站开发、企业建站全套包干低至880元,成熟完善的模板库,直接使用。一站式和平网站制作公司更省心,省钱,快速模板网站建设找我们,业务覆盖和平地区。费用合理售后完善,10年实体公司更值得信赖。

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.A, NR.K)); //  始##始 A K

如何进行HanLP中人名识别分析

对于第一个词“唱首”,它不存在于 nr.txt中,EnumItem 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.A, PersonDictionary.transformMatrixDictionary.getTotalFrequency(NR.A));
    }
}

如何进行HanLP中人名识别分析

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:

如何进行HanLP中人名识别分析

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:

如何进行HanLP中人名识别分析

EnumItem nrEnumItem = PersonDictionary.dictionary.get(vertex.realWord);
tagList.add(nrEnumItem);

加入“张”之后的角色列表如下:
如何进行HanLP中人名识别分析

“唱首张学友的歌情已逝” 整句的角色列表如下:
如何进行HanLP中人名识别分析

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 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)

如何进行HanLP中人名识别分析

  • 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)

如何进行HanLP中人名识别分析

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

大匹配

有了最优隐藏序列:KAKZLEAA,接下来就是:后续的“大匹配处理”了。

        PersonDictionary.parsePattern(nrList, pWordSegResult, wordNetOptimum, wordNetAll);

在大匹配之前,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(){    //.....
    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,可以关注创新互联-成都网站建设公司行业资讯频道了解更多相关知识。


网站名称:如何进行HanLP中人名识别分析-创新互联
文章出自:http://chengdu.cdxwcx.cn/article/coisgi.html