計算姓名樣本庫中所有姓名的概率估值后發(fā)現(xiàn)，對數(shù)概率估值曲線呈陡峭的單峰分布，極高或極低的概率估值均不多，因此，可以設(shè)定概率估值閾值，舍棄那些概率估值小于閾值的候選名字。

2. 具有指示意義的上下文信息

一些上下文信息有助于姓名的辨識，主要有稱謂、指界動詞、匹配模式。這些上下文信息和姓氏頻率表XFL與名字用字頻率表MCFL一起構(gòu)成中文姓名辨識的知識源。

稱謂常與名字同時出現(xiàn)，對姓名辨識有指示作用。例如：

“省長李長春趕到了抗災現(xiàn)場”。稱謂“省長”指示了姓名的左邊界。

“這是王繼寧教授的學生”。稱謂“教授”指示了姓名的右邊界。

按和名字的前后順序，可以把稱謂分成三類：

（1）只能用于姓名之后，如“之流”，“閣下”等。

（2）只能用于姓名之前，如“青年”，“戰(zhàn)士”等。

（3）用于姓名前后均可，如“先生”，“市長”等。

一些動詞，如“說、是、指出、認為、表示、參加”等，常常接在姓名的后面，可以用來幫助確定姓名的右邊界。如：“姬鵬飛指出……”。

某些模式，如“……的〈姓名〉”，“以〈姓名〉為〈稱謂〉”等，也具有界定姓名左右邊界的功效。如：“同濟大學的葉冬梅”，“以歐少雄為團長的澳門工會代表團”。

3. 姓名辨識的過程

輸入文本分割成句子，并用最大匹配法分詞之后，對句中的每個字加上標志。加標志主要根據(jù)當前字是否為孤立字，是否可做單字詞，是否屬于某個指界動詞，是否屬于某個稱謂。

接下來尋找句中所有可能的潛在姓名cn，并添加到潛在姓名表CNL中。要求cn的姓氏用字在姓氏頻率表XFL中，而名字用字在名字用字頻率表MCFL中。再計算cn的概率估值，若cn的概率估值小于閾值，則舍棄之。但是如果cn的每個字都是孤立字，就要放寬閾值要求。

定義同源對為以句內(nèi)同一位置為姓氏起點的單名與雙名。定義互斥對為以句內(nèi)不同位置為姓氏起點，同時相互間又有交叉的兩個姓名。同源對和互斥對體現(xiàn)了潛在姓名之間的相互制約關(guān)系。如果一個潛在姓名被肯定，則所有和它同源或互斥的潛在姓名都將從潛在姓名表CNL中刪除。

根據(jù)潛在姓名cn上下文中出現(xiàn)的稱謂、指界動詞和特定模式，可以部分地確定cn的左右邊界。若cn的左邊界確定，記為#cn，若cn的右邊界確定，記為cn#。若#cn且cn#，則cn被完全確定為姓名。如果同源對形如[z1z2z3#，z1z2]，則否定z1z2。如果互斥對形如[#z1z2z3，z2z3]，則否定z2z3。

互斥對（cn1,cn2）根據(jù)概率估值來競爭。用lg(p(cn))表示cn的對數(shù)概率估值。若：  ，則否定cn2;反之，否定cn1。

實驗表明，上述過程達到了70.06%的準確率和99.77%的查全率。

責任編輯：admin