[发明专利]自动识别中文姓名的方法

摘要

本发明涉及计算机应用技术领域，具体涉及自动识别中文姓名的方法。本发明包括标注数据训练部分和人名识别部分。本发明不需要穷举人名，而是通过算法自动识别人名中文人名的组合极多，而且每时每刻都有新增的人名，直接将所有人名加入词典显然是不可能实现的。自动根据上下文来判断人名姓名的分布受上下文影响很大。另外，还有一些生僻的中文姓名，给自动人名识别带来了很大的困难。通过本发明专利的方法，可以全面解决上述复杂情况的识别。

主权项

自动识别中文姓名的方法，其特征在于，包括如下两步骤：第一步，标注数据训练部分；第二步，人名识别部分；第一步所述的标注数据训练部分包括如下步骤：A.将单字按照出现的位置划分为以下类型：1 H_1：出现在中文人名的首部/Head；2 M_1：出现在中文人名的中间/Middle；3 T_1：出现在中文人名的尾部/Tail；4 N_1：未出现在中文人名的以上任何位置/None；5统计所有单字在以上4种类型中的数量，并计算概率；对单字w_i来说，其条件概率分别为：P(H_1|w_i)，P(M_1|w_i)，P(T_1|w_i)，P(N_1|w_i)，B.将双字按照出现的位置划分为以下类型：1 H_2：出现在中文人名首部的双字复姓/Head；2 HM_2：2字人名，但是后面如果再跟一个汉字的话很可能构成3子人名/Head+Middle；3 MT_2：经常作3字中国人名的2字词语；4 N_2：未出现在中文人名的以上任何位置/None；所述对2 HM_2和3 MT_2两种类型，抽取方法为在全部人名中，出现频次高于阈值β的组合；5统计所有双字在以上4类情况中的数量，并计算概率；对双字w_i来说，条件概率分别为：P(H_2|w_i)，P(HM_2|w_i)，P(MT_2|w_i)，P(N_2|w_i),对在以上4类情况中出现的双字组合和以上概率值，构成词典DoubleWord_Dict；C.通过贝叶斯概率公式近似计算单字和双字出现概率，P(w_i|H_1)=P(H_1|w_i)P(w_i)Σi=1NP(H_1|w_i)P(w_i),]]>其中N为所有出现在H_1位置的单字的总数；类似的，可以得到单字在所有可能位置的概率：P(w_i|M_1)，P(w_i|T_1)，P(w_i|N_1)，和双字的所有概率：P(w_i|H_2)，P(w_i|HM_2)，P(w_i|MT_2)，P(w_i|N_2)，第二步所述的人名识别部分包括如下步骤：A.初始化，候选的文本串；B.判断当前词是否为DoubleWord_dict中类型为H_2或者HM_2的双字词；假如是H_2或者HM_2的双字词，设置d1为该双字词，取对应的条件概率数值，并进入步骤3：假如不是H_2或者HM_2的双字词，则进行步骤3：C.判断当前词是否为单字中类型为H_1的词；如果不是类型为H_1的词，则认为当前词非人名，继续沿文本向前遍历，直至文本结束；如果为是类型为H_1的词，则设置d1为该单字，取对应的单字条件概率，并进入步骤4；D.判断d1后紧接的两汉字是否为Doubleword_dict中类型为MT_2中出现的双字名；如果出现双字名，则设置MT_2的对应双字为d2，并取对应概率，进入二阶贝叶斯概率人名判断模块，即进入F步；如果不出现双字名，则分别取其后的连续两字，设置为d2、d3，将d1、d2、d3送入三阶人名判断模块，即进入G步；E.如果上述判断仍然为否，则将d1、d2送入二阶人名判断模块；F.二阶贝叶斯概率人名判断模块；G.三阶贝叶斯概率人名判断模块；H.结束。