毕业论文移动版

命名实体识别的方法主要有两种：一种是基于规则的方法[4]，当提取的规则适用于当前 领域时，识别效果较好，但此类方法大多依赖于人工定制规则，耗费大量的时间，且系统的 移植性较差；另一种是基于统计的，此类方法是利用人工标注的语料进行训练，移植性较好， 但对语料库的依赖较大。基于统计机器学习的方法主要有：隐马尔可夫模型（Hidden Markov Model）[5~7]、最大熵模型（Maximum Entropy Models）[8]、支持向量机（Support Vector Machine） [9]、条件随机场（Conditional Random Fields）[10]等。

本文采取的是基于层叠隐马尔可夫模型的机器学习方法，该层叠模型分为四层，每层之 间互相联系，自底向上分别是人名识别层、简单地名识别层、嵌套地名识别层和机构名识别 层。底层的结果作为高层的输入。每层根据语料库中的词性标注对词语进行角色标注，在角 色标注的基础上实现隐马尔可夫模型。 

本文共分为六章。其中第一章为引言部分。第二章介绍了前人工作的相关文献，中英文 标注语料、评测指标等资源。第三章概括说明了中文命名实体的特点，其中详细分析了人名、 地名、机构名各自的特点。第四章从组成、应用等方面介绍了隐马尔可夫模型的方法。第五 章详细介绍了本文采取的基于层叠隐马尔可夫模型的识别方法。第六章对实验结果进行了分 析。 

2 命名实体识别研究文献和资源综述

2。1 文献综述

2。2 资源综述

2。2。1 标注语料

2。2。2 评测指标

3 中文命名实体的特点

中文命名实体具有类型多样、数量众多、构成规律复杂、嵌套情况复杂、长度不确定等 特点，相比英文命名实体的识别更加困难。 

由命名实体识别的定义可知，命名实体主要有以下七类：人名、地名、机构名、时间、 日期、货币、百分比。其中后四种可以通过模式匹配的方法获得较好的识别结果，而前三类 的识别最难，也是研究的重点。 

3。1 人名的特点

人名的数量众多，从整体人名来看，具有很大的随意性，而且未登录词中的大多数词都 属于人名。对《人民日报》1998 年 1 月的语料库（共计 2 305 896 字）进行统计，共计人名

19965 个，平均每 100 个字中有未登录词 1。192 个（不计数词、时间词），其中 48。6%的未登 录词是中国人名[19]。 

关于人名的分类，中文中最主要的就是中国人名，此外，还含有部分日本人名和音译人 名。 论文网

中国人名识别的主要的难点在于以下三点：（1）人名构成具有多样性；（2）人名内部可 能组成新词；（3）人名与上下文可能组成新词[19]。 

中国人名构成的形式主要有以下几种：（1）姓+名，如：“郎/平”、“雷/志/敏”；（2）只 有姓，如：“张”；（3）只有名，如：“杰”，“泽/秀”；（4）前缀+姓，如：“小/张”；（5）姓+ 后缀，如：“刘/伯”。 

组成新词指的是在句子中，按照句子顺序，人名的部分片段本身或者与其他上下文片段 可能重新组合成存在于核心词典中的词。在进行分词时，因为这些词较为常见，使用度高， 使得人名极有可能会被错误分割。具体情况有以下几种。 

中国人名内部组成新词可以分为：（1）姓与单名成词，如：“汪洋”；（2）姓与双名的首 字成词，如：“王国/维”；（3）双名本身成词，如：“刘/海军”。  (责任编辑：qin)