2）手动检查是否添加了无用的后缀，比如“上海市”在 训练语料出现很多次，提取后缀会出现“海市”为一个 高频率后缀，这些需要特殊处理。
其它问题
为什么没有引入词性信息？ 1）一般的词性标注的准确率在90%左右，而且人民日报 语料的标注词性比较多，有40+种，准确率要比90%低一 些。
2）命名实体的准确率在90%以上，已经比词性标注要高 了。
“香港/NS特别/a行政区/N”==》“香港”
如何匹配上下文
在没有标注语料的情况下，采用了自定义规则，因为从 训练语料来看，新闻题材中需要上下文匹配的情况较少 ，而且特点比较一致。 匹配的上下文形式化： 作用方向：是NS在前，NT在后，还是反之。 作用域：0：一个句子，不可有其他实体打断 1：NS之后全文 （新华社北京讯） 2：NS之前全文 （记者北京报道） 上文，中间，下文：正则表达式，上下文只用一个窗口 ，中间的文字去掉无用词，只保留名词和动词。
主 PSsuf
席 PSsuf
B
E
O
O
1） 训练时间过长，内存消耗过大。 如果训练在可接受 的时间内，增大训练语料比多增加分词信息有效得多。 2）分词和命名实体标注可以映射为一列，没必要增加一 个维度。比如"主 PSsuf O-B"。实验数据显示，性能没 有任何变化。
如何获得词缀信息
1）从训练语料中抽取所有的命名实体，然后计算频率， 然后抽取所有词的后缀，然后计算频率，取频率高的。
Founder关系
方法和Located-in关系抽取中上下文匹配的方式相同。
实际情况中，Founder关系一定是要有关键词提示的。 比如：Bill Gates创办了微软公司 【中文中有关键词】 Bill Gates是微软之父【后文中有关键词】
Employee关系
大多数Employee关系的关键词不是动词而是变化多端的 职位 Example:中共中央总书记胡锦涛 微软CEO鲍尔默 识别方法：1）提取NT和NR之间的关键名词，作用域是 一个句子中不可打断，除了并列举例的人名。
中文命名实体识别及关系提取
*** *** ***
中文命名实体识别
语料：人民日报1998年版
主要方法：根据训练预料，利用CRF进行机器学 习
中文命名实体识别
标注集1：由字构词
将{ ns,nr,nt}三种实体类型，和分词中的词位信息 {B,B1,B2,M,E,S}做组合，其它字标记为O
Example:
训练模板
字的特征识别： w[-1,0]:前一个字 w[0,0] w[1,0] w[-1,0]/w[0,0]:前面一个字和当前字的组合
w[0,0]/w[1,0] , w[-1,0]/w[1,0]
词缀特征识别： w[-1,1]:前一个字的词缀 w[0,1],w[1,1],w[0,1]/w[1,1]/w[2,1]
关于提取地点的核心词
如果一个地点只有一个词，那么去掉它的可以忽略的后 缀，所有可以忽略的后缀以字典形式存在一个文件中。 “上海市”==》“上海” 如果一个地点实体由多个词组成，那么提取它的词性， 然后取最后一个NS，然后判断后缀是否可忽略，如果可 忽略返回最后的NS，否则返回最后的NS+后缀 “上海/NS浦东/NS机场/N”==》“浦东机场”
例子
1 0 [-] [.*|地处/v|.*] [-] 1 0 [-] [.*|位于/v|.*] [-] 1 0 [-] [.*|坐落/v|.*] [-] 1 0 [-] [.*/v|在/p] [-] 1 0 [-] [.*|地址/n|是/v] [-] 1 2 [-] [-] [.*|报道/v|.*/w] 1 2 [-] [-] [.*|讯/v|.*/w] 1 2 [-] [-] [.*|电/v|.*/w] 0 1 [.*/w|.*] [讯/v|.*/w|.*] [-] 0 1 [.*/w|.*] [报道/v|.*/w|.*] [-] 0 1 [.*/w|.*] [电/v|.*/w|.*] [-]
3）对于命名实体的Recall提升的话，词性标注没有明显 的帮助办法，换句话说词性对于判错还有些用，但是对 于Recall只会降低。
Any Other Quentions？？？
关系识别
Located-in关系： 穷举任意两个在一篇文章中出现的命名实体，然后判断 他们是否是Located-in关系。 判断标准： 1）如果一个地点实体（NS）是一个组织（NT）的模糊 前缀。比如“上海市” “上海大白兔有限公司” 2）一个地点后紧接着一个组织，“上海市” 的"大白兔 有限公司" 3) 在上下文中有关键词匹配成功 4）NT中内含NS，“上海市闵行区派出所”
85.2%
538/631
90.7%
483/538
87.9%
校正
考虑到没有充分利用分词结果 Error:"{张牙舞/nr}爪" ===》利用 分词结果可以校正 校正方法：如果命名实体不是由完 整的几个词组成的，判错
校正结果：
Recall NR 79.3%
Precision 95.5%
F-score 86.7%
中文命名实体识别
词缀标记 PSsur：人名的姓，比如“王” PSsuf：人名的后缀，比如“先生” Lsuf： 地名的后缀，比如“省”，“特区”，“地区 ” Osuf： 组织名的后缀，比如“委员会”，“公司” 原因：中文偏正关系 *为什么将词缀放到机器学习的标记中而不是用于结果修 正？ 后缀容易识别，但是向前匹配的位置难于确定，比 如“上海IBM研究院”。
测试结果
测试方法： 将训练集拆分，80%用于训练 ，20%用于测试(200篇左右)
Recall Preci6% 86.7%
961/1178 884/961 NS 84.4% 88.8% 86.6%
1362/161 1190/136 3 2
NT
935/1178
NS 82.5%
891/935
89.8% 86.0%
1331/1613 1180/1331
NT 85.1% 537/631 91.2% 485/537 88.0%
一些问题
为什么没有在标记集中加入分词信息的一列 Example:江 PSsur B B nr-B 泽 UN 民 UN B1 nr-B1 E nr-E