中文人名自动识别一种有效方法.pdfVIP

高技术通讯 　2000 2 中文人名自动识别的一种有效方法① ② 李建华 　王晓龙 ( 哈尔滨工业大学计算机科学与技术系 　哈尔滨 150001) 摘 　要 　介绍了一种基于大量实验的有效的中文姓名自动识别方法。实验结果表明 , 该 方法在兼顾准确率与召回率的同时获得了较好的识别效果。 关键词 　中文姓名自动识别 , 自动分词, 知识源 中文姓名一般由二字或三字组成 , 第一字为姓 0 　引言 ( ) 氏字 复姓为前两字 , 其后的一到两个汉字为名 　　中文信息计算机自动处理的研究已有几十年的 用字。统计表明 , 中文姓名在用字上也有一定规 历史 , 但至今仍有许多技术难题没有得到很好解 律 : 一方面某些字频频出现在姓名中 , 如在姓氏用 决 , 中文姓名自动识别问题就是其中的一个。由于 字中 , 虽然姓氏辞典中列举了几千个姓氏字 , 但目 它与中文文本的自动分词一样 , 属于中文信息处理 前实际使用的不过几百个 , 而张、王、李、赵、刘 5 个姓竟占了 32 %[1 ] ; 另一方面 , 某些字又从不被 的基础研究领域 , 因而它的研究成果直接影响到中 用作姓名用字 , 如最、仅、紧、以、且等字。根据 文信息的深层次研究。汉语的自身特点使得中文信 这一特性 , 首先从一个含有 1 万多个人名的数据库 息自动处理大多是先对要处理的文本进行自动分词 中抽取303 个姓用字和 1047 个名用字 , 形成系统 ( ) 加入显式分割符 , 然后再在分词的基础上进行词 的知识源; 然后根据姓名的构成原则制定了一组姓 法、语法、语义等方面的深入分析。而在分词阶 名构成规则集 , 其中的规则以姓氏字驱动。由于中 段 , 文本中的人名、地名以及其它专有名词和生词 文姓名的构成是严格遵守构成规则的 , 因而本文将 大多被切分成单字词 , 在这种情形下如不能很好地 姓名构成规则定义为一组必须匹配的严格规则。 解决汉语文本中专有名词生词的识别问题 , 将给其 12 　中文姓名存在的上下文环境分析 后的汉语文本的深入分析带来难以逾越的障碍。中 中文姓名在文本中不是孤立存在的 , 其依存的 文姓名的自动识别问题就是在这种背景下提出来 上下文信息具有一定的特点。 的。对这一问题的研究目前采用的技术中主要利用 ( 1) 前置信息 : 姓名的前端多冠有对人的职 以下几方面的信息: 姓名用字的频率信息、上下文 业、职务及与说话人的关系的称谓 , 如“这是上海 信息[1 ,2 ] 、语料库统计信息[2 ] 、词性信息等[3 ] 。本 市副市长刘振元日前在与上海旅游记者协会座谈时 文的方法是 , 首先对中文人名的构成、姓名用字的 介绍的。”、“我和妻子秦润英都是双目失明的盲 规律及上下文文本信息特征进行充分