自然语言处理工具HanLP-基于层叠HMM地名识别

本篇接上一篇内容《HanLP-基于HMM-Viterbi的人名识别原理介绍》介绍一下层叠隐马的原理。

首先说一下上一篇介绍的人名识别效果对比：

1. 只有Jieba识别出的人名

准确率极低，基本为地名或复杂地名组成部分或复杂机构名组成部分。举例如下：

[1] 战乱的阿富汗地区，qiang zhi可随意买卖，AK47价格约500人民币

“阿富汗”被识别为人名。

[2] 安庆到桂林自驾游如何规划？

“桂林”被识别为人名。

[3] 2018天津市和平分局招聘社区戒毒、社区康复工作人员成绩查询入口

“康复”被识别为人名。

2. 只有HanLP识别出的人名

除了特别常用姓氏的名字识别正确，其他的都识别错误。举例如下：

[1] 纳溪区副区长李明带队到“花田酒地”景区检查节前安全工作

“花田酒”被被识别为人名。

[2] 秀英“线上线下”齐发力 助力贫困户“微互动”拓宽农产品销路

“齐发力”被识别为人名。

[3] 紧急通知：秦报融媒粉团祖山一日游日报名费大调整！

“秦报”被识别为人名。

3. HanLP与Jieba都识别出的人名

1. 非常用姓氏识别出的人名基本错误。

[1] 房产高管薪酬大起底 万科郁亮年薪1189.9万仅排第二

[2] 生生不息 南通支云发布汶川地震十周年海报呼吁赛前默哀

[3] 为什么伊郎不能有he wu qi，而美国有he wu qi？

2. 名字本身构成词时基本错误。

[1] 周口一村庄杨絮着火，对付杨絮用啥方法好呢？

[2] 上联: 三国魏蜀吴，如何对下联？

[3] 上联:灯火辉煌万家乐。求下联？

如何解决这些badcase呢，要看你的时间了，如果时间充裕的话，可以调整发射概率文件也就是nr.txt文件。如果时间不充裕的话，比如我现在的情况，那就只保留常用姓氏，以及特别需要关注的人名了。

上一篇的内容先说到这里，介绍本篇的主题”基于层叠隐马的命名实体识别”我这里主要阅读的是这篇文章《基于层叠隐马尔可夫模型的中文命名实体识别》。层叠就是将模型级联起来的意思，因此系统的结构如下图所示：

如图所示，层叠隐马就是训练三个隐马模型，每个模型标注一种实体，三个模型采用级联形式连接。

不同的实体有不同的角色标注，实际就是特征，这些特征需要有语言学的知识，实际上就是你的阅读量，通过你大量阅读总结经验，比如姓氏可以作为名字的一个特征（张、王、李、赵），常用地名的后缀可以作为一个特征（省、市、区、县），机构名表处所的尾字可以作为一个特征（局、处、所、院）。这里地名的角色标注简表如下所示：