HanLP中人名识别分析
HanLP中人名识别分析
在看源码之前，先看几遍论文《基于角色标注的中国人名自动识别研究》
关于命名识别的一些问题，可参考下列一些issue:
- 名字识别的问题 #387
- 机构名识别错误
HanLP参考博客：
词性标注
层叠HMM-Viterbi角色标注模型下的机构名识别
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。
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:
//do something
case V:
//do something
}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);
}
}总结
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。
这篇文章里面没有写维特比分词算法的详细过程，以及转移矩阵的生成过程，以后有时间再补上。看源码，对隐马模型的理解又加深了一点，感受到了理论的东西如何用代码一步步来实现。由于我也是初学，对源码的理解不够深入或者存在一些偏差，欢迎批评指正。