基于条件随机场的中文地名识别

近几年来,中文分词技术取得了可喜的进步,各种机器学习方法被应用到这一领域,而采用标注的方法进行分词也是应用得比较多的方法。本文尝试了一种不同以往的方法,不对字本身进行标注,而对字与字之间的切分点进行标注,并结合条件随机场模型,实现了一个分词系统并参加了第三届国际中文处理评测的分词比赛,取得了较好的结果。     

西林地名的历史文化解读

西林地名主要来源于壮语北部方言,也有汉语、苗语、瑶语及壮语南部方言来源,多为自然地理实体名称,也有聚落、方位和动植物特征、特别场合方面的名称,西林地名演变具有数量增多、汉语地名增多等特点,地名还折射了西林地区社会、历史、自然生态和文化生态的变迁。     

基于深度学习的中文地名识别研究

基于深度学习的循环神经网络方法,面向中文字和词的特点,重新定义了地名标注的输入和输出,提出了汉字级别的循环网络标注模型.以词级别的循环神经网络方法为基准,本文提出的字级别模型在中文地名识别的准确率、召回率和F值均有明显提高,其中F值提高了2.88%.在包含罕见词时提高更为明显,F值提高了26.41%.      

采用改进最长公共子序列的人名消歧

将名词、形容词、动名词和命名实体作为文本特征,考虑词序与词频,结合特征项的语义,提出一种基于改进最长公共子序列的文本聚类(LCSC)方法.实验结果表明:相对于传统的余弦值聚类方法,LCSC方法在人名消歧的P-IP指标上,F平均值由74.2%提高到了84.9%;相对于最长公共子序列方法,总体性能也提高了3.7%.     

基于规则和统计相结合的地名实体识别的研究

提出了一种在构造内部规则和外部规则的同时采用概率统计的中文地名实体的识别方法,并利用这种基于规则和统计相结合的方法对测试语料库进行识别测试,实验证明该方法获得了较高的准确率和召回率,具有可行性和合理性,同时也指出了它的局限性.     

地名“翻译”≠地名标志的拼写——调查与分析

目前,我国地名“翻译”与地名标志的拼写不相统一。本文通过调查发现,在不同国家使用过地名标志的人士对此都表示质疑,并一致认为地名“翻译”应与地名标志的拼写保持一致。本文将在调查分析的基础上提出相关建议。     

基于统计和规则混合策略的中国人名识别研究

采用统计与规则相结合的混合策略,提出一种中国人名的自动识别方法.该方法利用知识库中的统计信息,对中国人名作初步的提取,分析中国人名构成的内部特征和外部特征,提取出特征集,并总结出相应的识别规则,对候选人名进行识别,在此基础上构建了一个中国人名识别系统,并对系统进行了测试,实验表明了算法的可行性和有效性.     

CRF与规则相结合的中文地名识别

采用递增式学习策略优化条件随机域(conditional random fields,CRF)的特征模板以提高中文地名的识别效果,结合语言学相关知识构建规则库,以弥补机器学习模型获取知识不够全面导致召回率偏低的不足,最终实现了CRF与规则相结合的中文地名识别系统.实验结果表明,采用CRF与规则相结合的方法识别中文文本中的地名是有效的,对Bakeoff2007NER任务的MSRA语料进行开放测试,召回率、精确率和F值分别为94.67%、92.35%和93.50%.     

中国城市地名谜语

根据谜面和括号中所提示的省份．请猜出城市名。 1．飞机送来信件（江苏省） 2．拆开信件看看（河南省） 3．祝贺两胖结婚（安徽省） 4．再祝一路平安（辽宁省）     

西林地名的文化内涵

西林地名记录了历史,记录了居住的族群,体现了各民族的心理特征,反映了民风民俗、生活场景,反映了迁徙,体现了稻作文化,具有深厚的文化内涵。