实战HMM-Viterbi角色标注地名识别

http://www.hankcs.com/nlp/ner/place-names-to-identify-actual-hmm-viterbi-role-labeling.html

命名实体识别（Named Entity Recognition）也是自然语言处理中的一个难关，特别是中文这样没有大小写等固定形态的语言。上次介绍过《实战HMM-Viterbi角色标注中国人名识别》，这次基于类似的原理，为HanLP实现中文地址地名（NS）的自动识别。

原理

训练

对熟语料自动角色标注，统计单词的角色频次、角色的转移概率等，训练出一个模型，同时总结一些可用的模式串。

识别

根据上述模型，利用HMM-Viterbi算法标注陌生文本的粗分结果，利用Aho-Corasick算法模式匹配，匹配出可能的地址，将其送入第二层隐马尔可夫模型中。

实战

训练

自动角色标注

《基于层叠隐马尔可夫模型的中文命名实体识别.pdf》中使用如下地名识别角色：

我在此基础上拓充了CDE分别为三字地名的三个字位，H为中国地名的后缀，G为整个地址，这样一般最多可以识别6字地名（CDE地名+三字后缀），比论文有所改进。

通过少量的代码即可自动对熟语料进行角色标注，比如对于这一句人民日报2014切分语料中的句子：

1	`王先东/nr 来自/v 湖北/ns 荆门/ns ，/w 在/p 佛山市/ns [南海区/ns 大沥镇/ns]/nz 某/rz 物业公司/nis 做/v 保安/b`

逐步处理得到

原始语料 [未##人/nr, 来自/v, 湖北/ns, 的/ude1, 荆门/ns, ，/w, 在/p, 乌鲁木齐市/ns, [南海区/ns 大沥镇/ns]/ns, 某/rz, 物业公司/nis, 做/v, 保安/b]

添加首尾 [始##始/S, 未##人/nr, 来自/v, 湖北/ns, 的/ude1, 荆门/ns, ，/w, 在/p, 乌鲁木齐市/ns, [南海区/ns 大沥镇/ns]/ns, 某/rz, 物业公司/nis, 做/v, 保安/b, 末##末/Z]

标注上文 [始##始/S, 未##人/nr, 来自/A, 湖北/ns, 的/A, 荆门/ns, ，/w, 在/A, 乌鲁木齐市/ns, [南海区/ns 大沥镇/ns]/ns, 某/rz, 物业公司/nis, 做/v, 保安/b, 末##末/Z]

标注下文 [始##始/S, 未##人/nr, 来自/A, 湖北/ns, 的/B, 荆门/ns, ，/B, 在/A, 乌鲁木齐市/ns, [南海区/ns 大沥镇/ns]/ns, 某/B, 物业公司/nis, 做/v, 保安/b, 末##末/Z]

标注中间 [始##始/S, 未##人/nr, 来自/A, 湖北/ns, 的/X, 荆门/ns, ，/B, 在/A, 乌鲁木齐市/ns, [南海区/ns 大沥镇/ns]/ns, 某/B, 物业公司/nis, 做/v, 保安/b, 末##末/Z]

拆分地名 [始##始/S, 未##人/nr, 来自/A, 湖北/ns, 的/X, 荆门/ns, ，/B, 在/A, 乌鲁木齐市/ns, 南海区/ns, 大沥镇/ns, 某/B, 物业公司/nis, 做/v, 保安/b, 末##末/Z]

处理整个 [始##始/S, 未##人/Z, 来自/A, 湖北/G, 的/X, 荆/C, 门/H, ，/B, 在/A, 乌鲁木齐/G, 市/H, 南/C, 海/D, 区/H, 大/C, 沥/D, 镇/H, 某/B, 物业公司/Z, 做/Z, 保安/Z, 末##末/Z]

统计词频

在对所有熟语料句子执行自动标注后，即可统计每一个非Z词语的词频，得到一个角色词典：

位于 A 1660 X 93 B 33

位列 B 17 A 13 X 1

位居 B 25 A 14 X 1

位次 B 1

位置 B 5 A 1

低 B 9

低于 A 18 B 2

低产田 B 1

低价 B 1

低估 A 5

低保 B 3

低保户 B 3

低效 B 1

低温 B 3

低热值 B 1

低碳 B 27

低空 B 2

低调 B 5

低速 B 3

低阶煤 B 1

住 A 81 B 53

住友 B 1

住在 A 271 B 1

统计转移矩阵

转移矩阵指的是从一个角色标签转移到另一个角色的频次，利用它和角色词频可以计算出HMM中的初始概率、转移概率、发射概率，进而完成求解。关于维特比算法和实现请参考《通用维特比算法的Java实现》。

这里对人民日报2014切分语料训练出如下转移矩阵：

识别

例子

以“南翔向宁夏固原市彭阳县红河镇黑牛沟村捐赠了挖掘机”为例，不进行地名识别时，会得出下列输出：

1	`[南翔/ns, 向/p, 宁夏/ns, 固原市/ns, 彭/nz, 阳/ag, 县/n, 红/a, 河镇/ns, 黑/a, 牛/n, 沟/n, 村/n, 捐赠/v, 了/ule, 挖掘机/n]`

上例中“宁夏”“固原市”等属于常用地名，因此被收录到核心词典中，此处表现出正确的分词结果。但是像“彭阳县”“红河镇”“黑牛沟村”等地名属于非常小的地方，没有被词典收录，自然也没法得出正确的分词结果。

角色标注

地名角色观察：[  Z 41339414 ][南翔 H 1000 ][向 A 1076 B 115 X 70 C 49 D 5 ][宁夏 H 1000 ][固原市 H 1000 ][彭 C 85 ][阳 D 1255 C 81 B 1 ][县 H 6878 B 25 A 23 D 19 X 3 C 2 ][红 C 1000 B 46 A 3 ][河镇 H 1000 ][黑 C 960 B 25 ][牛 D 24 C 8 B 7 ][沟 H 107 D 90 E 36 C 27 B 14 A 3 ][村 H 4467 D 68 B 28 A 8 C 3 ][捐赠 B 10 A 1 ][了 A 4115 B 97 ][挖掘机 B 1 ][  Z 41339414 ]

地名角色标注：[ /Z ,南翔/H ,向/B ,宁夏/H ,固原市/H ,彭/C ,阳/D ,县/H ,红/C ,河镇/H ,黑/C ,牛/D ,沟/E ,村/H ,捐赠/B ,了/A ,挖掘机/B , /Z]

模式匹配

利用Aho-Corasick算法模式匹配如下模式串：

CH

CDH

CDEH

GH

得到如下地名：

识别出地名：彭阳县 CDH

识别出地名：红河镇 CH

识别出地名：黑牛沟村 CDEH

第二层隐马模型细分

其实这应该算是第三层隐马模型，因为地名识别中也用到了一次HMM，并且那次的输出是这次的输入。细分之后得出最终的结果：

1	`[南翔/ns, 向/p, 宁夏/ns, 固原市/ns, 彭阳县/ns, 红河镇/ns, 黑牛沟村/ns, 捐赠/v, 了/ule, 挖掘机/n]`

总结

HMM模型可以解决很多问题，将多个HMM模型层叠起来，可以发挥出更加精准的效果。

不过2元文法依然会有误命中的情况，事实上，一些高频地名已经收录到核心词典和用户自定义词典中。所以HanLP的默认配置关闭了地名识别，仅仅在一些极端情况下（专门提取县级地址）交由用户打开。

转载请注明：码农场 » 实战HMM-Viterbi角色标注地名识别