HanLP中人名識別分析詳解
在看原始碼之前，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:
l ·名字識別的問題 #387
l ·機構名識別錯誤
l ·關於層疊HMM中文實體識別的過程
HanLP參考部落格：
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
分詞也是採用了維特比演算法的動態規劃性質求解的，具體可參考：文字挖掘的分詞原理
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，角色標註為：NR.A 和 NR.K，頻次預設為1
iterator.next(); tagList.add(new EnumItem<NR>(NR.A, NR.K)); // 始##始 A K
對於第一個詞“唱首”，它不存在於 nr.txt中，EnumItem<NR> nrEnumItem = PersonDictionary.dictionary.get(vertex.realWord);
switch (vertex.guessNature()){
case nr:
case nnt:
default:{
nrEnumItem = new EnumItem<NR>(NR.A, PersonDictionary.transformMatrixDictionary.getTotalFrequency(NR.A));
}
}
由於"唱首"的Attribute為 nz 16，不是nr 和 nnt，故預設給它指定一個角色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”，由於“張”在nr.txt中，因此PersonDictionary.dictionary.get(vertex.realWord)返回EnumItem物件，直接將它加入到角色列表中：
EnumItem<NR> nrEnumItem = PersonDictionary.dictionary.get(vertex.realWord);
tagList.add(nrEnumItem);
加入“張”之後的角色列表如下：
“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。
總結一下，對句子進行角色觀察，首先是通過分詞演算法將句子分成若干個詞，然後對每個詞查詢人名詞典(PersonDictionary)。
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。
若這個詞不在人名詞典中，則根據該詞的Attribute “猜一個角色”。在猜的過程中，有些詞在核心詞典中可能已經標註為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 在轉移矩陣中的總詞頻。
維特比演算法(動態規劃)求解最優路徑
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演算法詳解
List<NR> nrList = viterbiComputeSimply(roleTagList);
//some code....
return Viterbi.computeEnumSimply(roleTagList, PersonDictionary.transformMatrixDictionary);
而這個過程，其實就是：維特比演算法解碼隱藏狀態序列。在這裡，五元組是：
l 隱藏狀態集合 com.hankcs.hanlp.corpus.tag.NR.java 定義的各個人名標籤
l 觀察狀態集合 已經分好詞的各個tagList中元素(相當於分詞結果)
l 轉移概率矩陣 由 nr.tr.txt 檔案生成得到。具體可參考：
l 發射概率 某個人名標籤(隱藏狀態)出現的次數 除以 所有標籤出現的總次數
Math.log((item.getFrequency(cur) + 1e-8) / transformMatrixDictionary.getTotalFrequency(cur)
l 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程式碼如下：
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 pre.ordinal()轉換到當前隱藏狀態cur.ordinal()的轉移概率。Math.log((item.getFrequency(cur) + 1e-8) / transformMatrixDictionary.getTotalFrequency(cur)是當前隱藏狀態的發射概率。二者“相減”得到一個概率 儲存在double now變數中，然後通過 for 迴圈找出 當前觀察狀態 對應的 最可能的(perfect_cost最小) 隱藏狀態 perfect_tag。
至於為什麼是上面那個公式來計算轉移概率和發射概率，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，得到的最優隱藏狀態序列(最優路徑)K->A->K->Z->L->E->A->A 如下：
nrList = {[email protected]} 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);
在最大匹配之前，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。比如說，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 這裡【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
}
拆分完成之後，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，並將匹配的結果儲存到“最優詞網”中。當然，在這裡就可以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);
}
將識別出來的人名儲存到最優詞網後，再基於最優詞網呼叫一次維特比分詞演算法，得到最終的分詞結果---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
原始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：
l 角色觀察
l 維特比演算法解碼求解隱藏狀態（求解各個分詞 的 角色標記）
l 對角色標記進行最大匹配（可做一些後處理操作）
最後，再使用維特比演算法進行一次分詞，得到細分結果，即為最後的識別結果。
這篇文章裡面沒有寫維特比分詞演算法的詳細過程，以及轉移矩陣的生成過程，以後有時間再補上。看原始碼，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程式碼一步步來實現。由於我也是初學，對原始碼的理解不夠深入或者存在一些偏差，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。