基于隐马尔科夫模型的命名实体识别

基于马尔科夫模型的命名实体识别NE识别的数学描述利用HMM解决序列标注问题，即给定一个观察值的序列1,(|)()nPYXpx12n={xxx}X，，，要寻找一个最优的标记序列12{y,,}nYyy，使得条件概率最大。根据贝叶斯公式可得：在NE识别问题中，X是给定的句子，观察值为词性或词，则上式中P(X)对所有的类别都是一样的，因此可以忽略不考虑。则上面的公式可以转化为下面的形式：即HMM实质式求解一个联合概率。上式中的标记序列Y可以看做是一个马尔科夫链，则对上式利用乘法公式有：基于HMM的NE识别的问题就是如何在给定的模型下，从一定观察值序列的所有可能的状态下，选取最有的标记序列。常用的方法是viterbi算法，它属于动态规划算法，动态规划的思想是把问题分解，先解决最基本的子问题，再逐步外推寻找更大的子问题的最优解，在有限步后达到整个问题的最优解，即得到最有的NE标记序列隐马尔科夫模型观察到的事件是状态的随机函数，该模型是一个双重的随机过程，其中模型的状态转换过程是不可观察的。可观察的事件的随机过程是隐藏的状态转换过程的随机函数。形式化的描述为一个五元组。1.S表示模型中的状态，N是模型的状态数。所有独立的状态定义为,且用来表示t时刻的状态。2.O表示每个状态的观察值，M表示每个状态上对应的可能的观察值的数目。观察值对应于模型系统的实际输出，观察值记为：3.状态转移概率矩阵，其中，1=i，j=N，表示从状态i转移到状态j的概率，满足：=0，；且。4.输出观察值概率分布矩阵，其中表示在状态下，t时刻出现的概率，即，1=j=N,1=k=M.5.初始状态分布向量，其中,即在t=1时刻处于状态的概率，满足：。HMM模型需解决的三个问题：（1）评估问题。给定一个观察序列，以及模型，如何有效的计算,也就是这个观测序列有多大可能是由该模型产生的；（2）解码问题。给定观测序列以及模型，如何选择一个状态序列，使得观测序列O式最具可能的，即求解;（3）学习问题。如何能够通过调整参数以最大化ICTCLAS分词的词性列表1.名词(1个一类，7个二类，5个三类)名词分为以下子类：n名词nr人名nr1汉语姓氏nr2汉语名字nrj日语人名nrf音译人名ns地名nsf音译地名nt机构团体名nz其它专名nl名词性惯用语ng名词性语素2.时间词(1个一类，1个二类)t时间词tg时间词性语素3.处所词(1个一类)s处所词4.方位词(1个一类)f方位词5.动词(1个一类，9个二类)v动词vd副动词vn名动词vshi动词“是”vyou动词“有”vf趋向动词vx形式动词vi不及物动词（内动词）vl动词性惯用语vg动词性语素6.形容词(1个一类，4个二类)a形容词ad副形词an名形词ag形容词性语素al形容词性惯用语7.区别词(1个一类，2个二类)b区别词bl区别词性惯用语8.状态词(1个一类)z状态词9.代词(1个一类，4个二类，6个三类)r代词rr人称代词rz指示代词rzt时间指示代词rzs处所指示代词rzv谓词性指示代词ry疑问代词ryt时间疑问代词rys处所疑问代词ryv谓词性疑问代词rg代词性语素10.数词(1个一类，1个二类)m数词mq数量词11.量词(1个一类，2个二类)q量词qv动量词qt时量词12.副词(1个一类)d副词13.介词(1个一类，2个二类)p介词pba介词“把”pbei介词“被”14.连词(1个一类，1个二类)c连词cc并列连词15.助词(1个一类，15个二类)u助词uzhe着ule了喽uguo过ude1的底ude2地ude3得usuo所udeng等等等云云uyy一样一般似的般udh的话uls来讲来说而言说来uzhi之ulian连（“连小学生都会”）16.叹词(1个一类)e叹词17.语气词(1个一类)y语气词(deleteyg)18.拟声词(1个一类)o拟声词19.前缀(1个一类)h前缀20.后缀(1个一类)k后缀21.字符串(1个一类，2个二类)x字符串xx非语素字xu网址URL22.标点符号(1个一类，16个二类)w标点符号wkz左括号，全角：（〔［｛《【〖〈半角：([{wky右括号，全角：）〕］｝》】〗〉半角：)]{wyz左引号，全角：“‘『wyy右引号，全角：”’』wj句号，全角：。ww问号，全角：？半角：?wt叹号，全角：！半角：!wd逗号，全角：，半角：,wf分号，全角：；半角：;wn顿号，全角：、wm冒号，全角：：半角：:ws省略号，全角：………wp破折号，全角：——－－——－半角：-------wb百分号千分号，全角：％‰半角：%wh单位符号，全角：￥＄￡°℃半角：$