[发明专利]中文人名自动识别方法

说明书

技术领域

本发明涉及一种中文信息的检索方法，特别是涉及一种中文人名的识别方法。

背景技术

人名是日常生活中接触最多的专用名词，在信息检索时人名要作为一个整体才能得到准确的检索结果。以人名“曹国伟”为例，如果检索系统将其切分为三个单字“曹”、“国”、“伟”，即没有将中文人名正确识别出来，则会检索出错误结果例如“中国发明专利，发明人：曹庆芬、府伟江”。

实现中文人名自动识别具有几大难点：

其一，中文人名的组合极多，无法直接使用辞典进行机械切分。一方面难以构建一个穷尽所有中文人名的辞典。另一方面，构建辞典会出现矛盾的情形。例如，如果将人名“王军虎”添加到辞典中，则在句子“王军虎头虎脑的”中，会错误地将“王军虎”识别为人名。

其二，中文人名存在单姓、复姓的情况，还具有二字人名、三字人名、四字人名等多种情况。

其三，中文人名可能会和前后文字形成歧义组合，给人名的正确识别带来障碍。例如“陈晓东北京演唱会”这句话中出现了“东北“一词，在人名识别时很容易被错误识别为“陈晓/东北”。

发明内容

本发明所要解决的技术问题是提供一种中文人名的自动识别方法，可以较为准确地识别出中文人名。

为解决上述技术问题，本发明中文人名自动识别方法包括如下步骤：

第1步，对已注明中文人名的文字材料进行统计；

第2步，对待识别中文人名的文字材料进行中文人名的识别；

所述方法第1步具体包括如下步骤：

第1.1步，在已注明中文人名的文字材料中，将单字划分为以下四种类型，所述单字为单个汉字；

——H1类型，出现在中文人名第一个字的位置；

——M1类型，出现在中文人名中间位置；

——T1类型，出现在中文人名最后一个字的位置；

——N1类型，出现在除中文人名以外的位置；

将双字划分为以下四种类型，所述双字为连续的两个汉字；

——H2类型，出现在中文人名前两个字的位置且为复姓；

——HM2类型，出现在中文人名前两个字的位置且不为复姓；

——MT2类型，出现在三字非复姓人名或四字复姓人名后两个字的位置；

——N2类型，出现在除中文人名以外的位置；

第1.2步，在已注明中文人名的文字材料中：

统计H1、M1、T1、N1四种类型的不重复的单字数量，分别记为nh1、nm1、nt1、nn1；

统计H2、HM2、MT2、N2四种类型的不重复的双字数量，分别记为nh2、nhm2、nmt2、nn2；

统计每个单字出现的总次数记为z1；统计每个单字出现在H1、M1、T1、N1四种类型的次数，分别记为h1、m1、t1、n1；

统计每个双字出现的总次数记为z2；统计每个双字属于H2、HM2、MT2、N2四种类型的次数，分别记为h2、hm2、mt2、n2；

第1.3步，在已注明中文人名的文字材料中：

计算每个单字S_i出现的概率

计算每个双字D_i出现的概率

计算每个单字S_i属于H1类型的概率计算每个单字S_i属于M1类型的概率计算每个单字S_i属于T1类型的概率计算每个单字S_i属于N1类型的概率

计算每个双字D_i属于H2类型的概率计算每个双字D_i属于HM2类型的概率计算每个双字D_i属于MT2类型的概率计算每个双字D_i属于N2类型的概率

第1.4步，在已注明中文人名的文字材料中：

计算H1类型中每个单字S_i的出现概率

计算M1类型中每个单字S_i的出现概率

计算T1类型中每个单字S_i的出现概率

计算N1类型中每个单字S_i的出现概率

计算H2类型中每个双字D_i的出现概率