先秦人名識別初探

汪青青

摘要：先秦人名和現(xiàn)代人名的構(gòu)成方式和上下史語境有很大不同。本文以先秦文獻(xiàn)《春秋左傳》為突破口，對書中的人名進(jìn)行了統(tǒng)計分析，挖掘其內(nèi)部特征及分布特征。并且利用CRF模型對先秦人名的識別進(jìn)行了初步的嘗試。在開放測試中，該方法取得了92.48％的準(zhǔn)確率。

關(guān)鍵詞：先秦人名特征識別crf型

命名實(shí)體識別是自然語言處理的重要內(nèi)容。但目前這方面的研究主要集中在現(xiàn)代文獻(xiàn)領(lǐng)域，古籍中命名實(shí)體的識別是古典文獻(xiàn)信息化進(jìn)程中的關(guān)鍵所在，是一個值得探索研究的問題。

人名在先秦文獻(xiàn)中占據(jù)很大的比例。據(jù)我們對《春秋左傳》27萬多字的語料統(tǒng)計：其中人名一共出現(xiàn)12900多次，人名總字?jǐn)?shù)為28400多個字，占全書總字?jǐn)?shù)的10.41％。因此，是否能正確識別人名直接影響著自動分詞的精度。此外，先秦人名識別還是解決先秦人名異名同指和同名異指的基礎(chǔ)，也是構(gòu)建先秦人名知識庫的基礎(chǔ)。

一、先秦人名的特點(diǎn)

先秦人名和現(xiàn)代人名的構(gòu)成方式及其上下文語境和現(xiàn)在有很大的差別。因此，我們首先要充分挖掘先秦人名的內(nèi)部特征和分布特征。

(一)內(nèi)部特征

1、構(gòu)成成分多樣

現(xiàn)代人名一般只有“姓氏”和“名字”兩種構(gòu)成成分，而先秦漢語中，情況要復(fù)雜得多。其構(gòu)成成分有：姓、氏、名、字、謚號、爵位、職官、尊，親稱和“氏”字等。

A、“姓”和“氏”

今天我們一說到姓和氏，大家都覺得是一回事。但在先秦時代，姓和氏是有嚴(yán)格區(qū)別的。先秦姓氏分而為二，男子稱氏，女子稱姓。姓是用來別婚姻的，氏是為了明貴賤的。姓者，統(tǒng)其祖考之所自出，比較穩(wěn)定；氏者，別其子孫之所自分，會隨著封邑、官職的改變而改變(如：衛(wèi)鞅、公孫鞅、商鞅)，因此有時一個人會有幾個氏或者父子兩代不同氏。

在先秦文獻(xiàn)中，姓的數(shù)量很少，據(jù)統(tǒng)計先秦的古姓的數(shù)量大約三十多種。《左傳》中一共出現(xiàn)了二十幾種；而氏的數(shù)量比姓多得多，在《左傳》中共有657個氏，主要是以國(如：晉重)、以邑(如：隨會，范會)、以官(如：中行桓子)、以字(包括名，如：國參)為氏，這四種命氏發(fā)式產(chǎn)生的氏名473個，占70％以上。

B、“名”和“字”

先秦人既有名，又有字。名是幼時起的，供長輩呼喚。男子到了二十歲成人，要舉行冠禮；女子十五歲許嫁時，舉行笄禮，也要取字。供朋友呼喚。古人尊對卑稱名。卑自稱也稱名：對平輩或尊輩則稱字。當(dāng)名和字連稱時要先字后名。如：孟明(字)視(名)。

先秦時人名以單字為主。當(dāng)時凡有文化教養(yǎng)的人，都以取雙字名為恥，幾乎形成全社會清一色的單字名。如孔丘(孔子)、莊周(莊子)等都是單字名。貴族男子的字一般由“行次(伯艋、仲、叔、季)+字+父庸(二字古通用，男子的美稱)”三部分組成。例如：伯(排行)禽(字)父(男子的美稱)其中，行次和“父／甫”是可以省略的。男子取字還常在前面加“子”(“子”是對男人的尊稱)。例如：冉求，字“子有”。先秦貴族女子也有字，一般由“行次+姓+字+母，女”四部分構(gòu)成。例如：孟(排行)妊(姓)車(字)母(女性)。其中，行次和“母，女”也可以省略。有時甚至可以單稱“某母”或“某女”。

C、“爵位”和“謚號”

爵位，又稱封爵、世爵，是古代皇族、貴族的封號，用以表示身份等級與權(quán)利的高低。先秦時”爵位”大致分為公、侯、伯、子、男五級。謚號是皇帝、王或有一定社會地位的人死了后，朝廷或后人按其生前有無功績，評定褒貶給予的稱號。謚號一般是固定的一些字，這些字被賦予特定的涵義。謚號大致可以分為三類：A，表揚(yáng)的，例如：莊、文、武、景、烈、昭、明、睿、康、穆等；B，批評的，例如：厲、靈、煬等；c，同情的。哀、懷、愍、悼等。上古謚號多用一個字。也有用兩三個字的。例如：趙孝成王。

2、內(nèi)部結(jié)構(gòu)復(fù)雜

現(xiàn)代中國姓名結(jié)構(gòu)簡單，即：姓氏+名。但在先秦，姓名的結(jié)構(gòu)復(fù)雜多樣，而且女子的人名結(jié)構(gòu)和男子的人名結(jié)構(gòu)也不相同。

A、女子人名結(jié)構(gòu)

婦女姓名主要涉及到以下幾種成分：姓、氏、字、名、謚號、尊，親稱和“氏／婦”字，這幾種成分除了姓以外，其它幾種姓名構(gòu)成成分視具體情況決定取舍。先秦女子稱姓方式主要有以下幾種：

A、氏+姓，如：“許(夫氏)姬(姓)”。

B、字+姓，如：“孟姜”。

c、謚+姓，如：懷(夫謚)贏(姓)。

D、姓+“氏”字，如：“姜氏”。

這幾種形式在先秦文獻(xiàn)中出現(xiàn)頻率較高，除此之外，先秦女子還有單稱姓、名+姓、“婦”字+姓、特殊稱謂+姓、尊／親稱+姓、氏+字+姓、氏+謚+姓、氏+姓+名、姓十字+姓+名等多種形式，但這些形式出現(xiàn)的頻率很低。

B、男子人名結(jié)構(gòu)

男子的姓氏制度與女子的姓氏制度是大相徑庭的。男子是絕對不稱姓的，這一點(diǎn)與女子必須稱姓的原則剛好相反。男子姓名主要有以下幾種構(gòu)成成分：氏、字、名、排行、謚號、尊，親稱、爵位和職官等。男子稱氏的方式主要有以下幾種：

A、氏+字，名，例如：南(氏)季(字)。

B、氏+爵位，例如：齊(氏)侯(爵位)。

c、氏+謚號+爵位，例如：鄭(氏)莊(謚號)公(爵位)。

D、氏+字+名，當(dāng)氏和名同時相稱時，一般字放在名的前面。祭(氏)仲(字)足(名)。

以上幾種稱氏方式是男子稱氏最常用的形式。除了這些，還有一些其它稱氏方式。如：“單稱氏”、“氏+職官”、“氏+親稱”、“氏+謚號+-Sz”、“職官+氏+字”、“氏+爵位+名”。

3、人名用字

A、在前315的左傳訓(xùn)練語料中，一共出現(xiàn)漢字2929個，其中可以作為人名用字的有1021個。由此可見人名用字范圍廣、分布松散。

B、有些人名用字兼類的比例雖然大。但有的是很有規(guī)律的。例如：“公”在語料中出現(xiàn)了1630次。作為非人名用字的749次，其中以單字名詞出現(xiàn)的就有546次，還有42次是在名詞“公子”中出現(xiàn)。

C、人名用字雖多。其中有幾類人名構(gòu)成成分作為人名用字的頻率較高：如：部分爵位、姓和字中的“排行”等，具體情況如下表

4、人名長度

我們對《春秋左傳》前面315的語料中出現(xiàn)的七萬多次人名的長度進(jìn)行了統(tǒng)計，具體情況如下表：

這里的出現(xiàn)頻率是指在真實(shí)文本中某種長度人名的出現(xiàn)次數(shù)和所有人名出現(xiàn)次數(shù)之比。由上表可知，在先秦時期，雙字人名和三字人名占絕對的優(yōu)勢。

(二)分布特征

1、上下文限制性成分

在語料中出現(xiàn)的人名限制性成分，主要有：

A、指界動詞：日、言、謂、說、葬、聞、生、卒、帥、出奔等。

B、成串人名之間用頓號、“及”和“與”等連詞連接。

2、句法成分

先秦人名在文中充當(dāng)主語和賓語占絕對的優(yōu)勢。如：“鄭伯克段于鄢”，其中，“鄭伯”充當(dāng)句子的主語，“段”充當(dāng)句子的賓語。

二、基于CRF的人名識別方法

(一)先秦人名標(biāo)注規(guī)范

A、先秦人名整體作為一個分詞單位，標(biāo)注為“nr”。

B、國名和人名連用時，有的是以國為氏(如：魯莊公中的“魯”)，有的還存在爭議(如：“宋向榮”中的“宋”)，這種情況我們一律視為人名的氏來處理，但如果國名單獨(dú)出現(xiàn)，則標(biāo)為“ns”。

C、官名和人名連用時，同樣有的是以官為氏(如：右宰丑)，還有的也存在分歧，我們也一律視其為以官為氏。但如果官職名單獨(dú)出現(xiàn)，則是普通名詞。

D、“年號”和“××年”中的年號是一種紀(jì)年法，其中的年號雖形同人名，但不是人名(如：“昭公四年春”中的“昭公”)，而是時間詞的一部分。

E、某些稱謂帶有普通名詞性質(zhì)，如果單獨(dú)出現(xiàn)，如：“公”、“王”、“太子”、“公子”、“公繇”等，有些雖然在一定上下文專指某個人，但我們把其標(biāo)注為名詞。

(二)語料的預(yù)處理

A、對原始語料《春秋左傳》的文本進(jìn)行校對，然后人工分詞并標(biāo)注詞性。

B、將語料的前315作為訓(xùn)練語料，后2／5作為測試語料。

C、將標(biāo)注文本轉(zhuǎn)化為cRF格式文本。

(三)CRF模型簡介

條件隨機(jī)場模型(Conditional Random Fields。CRF)是由Lafferty在2001年提出的一種典型的判別式模型。它在觀測序列的基礎(chǔ)上對目標(biāo)序列進(jìn)行建模，重點(diǎn)解決序列化標(biāo)注的問題。條件隨機(jī)場模型既具有判別式模型的優(yōu)點(diǎn)，又具有產(chǎn)生式模型考慮到上下文標(biāo)記間的轉(zhuǎn)移概率，以序列化形式進(jìn)行全局參數(shù)優(yōu)化和解碼的特點(diǎn)，解決了其他判別式模型難以避免的標(biāo)記偏置問題。

本文的實(shí)驗使用了條件隨機(jī)場模型，采用了TakuKu，do編寫的工具包“CRF++-0.51”進(jìn)行訓(xùn)練和測試。本文是以單字作為基本模型符號，設(shè)計了兩種特征集進(jìn)行了實(shí)驗。

(四)特征模板和標(biāo)記集的選擇

1、特征模板

我們選用了6個一元特征模板，即：C-1，C0，C1，C*1 CO，COC1，C-1 C1。

2、標(biāo)記集

實(shí)驗1：我們選用了五詞位標(biāo)記集，即單字人名(Ⅲ_s)，人名首字(nr_B)，人名中間字(nr_I)，人名尾字(nr_E)以及非人名用字(O)。具體標(biāo)注例子如下：實(shí)驗2：利于了詞性和詞位信息。具體標(biāo)注例子如下：

(五)規(guī)則后處理

我們還利用了一些規(guī)則對識別的結(jié)果進(jìn)行后處理，如果識別出來的人名是以下幾種情況中的一種。則排除該人名：A，識別出的人名是“公”、“王”、“子”、“太子”“公子”和“公孫”等名詞。B，識別出的人名是“軍尉”、“司馬”、“司空”、“輿尉”、“候奄”和“亞旅”等官職名。C，識別出的人名“×公”在“x公xx年”的結(jié)構(gòu)中。D，識別出的人名長度大于六。

(六)實(shí)驗結(jié)果及分析

根據(jù)測試集和訓(xùn)練集的不同關(guān)系，可以將評測分為封閉測試和開放測試。測試的結(jié)果采取了常用的3個評測指標(biāo)，即準(zhǔn)確率(P)、召回率(R)和綜合指標(biāo)(F)來評測人名識別的結(jié)果。

具體的實(shí)驗結(jié)果如下表：

(表4實(shí)驗結(jié)果)

從上面的兩個實(shí)驗對比可以看出：在這兩個實(shí)驗的封閉測試中都取得了很好的效果。但在開放測試中效果有明顯的差別：在實(shí)驗1中，只利用簡單特征就達(dá)到了較高的正確率，但召回率較低；在實(shí)驗2中，利用了詞性特征，有效地提高了召回率，但隨著特征數(shù)量的增加，也產(chǎn)生了一些“噪聲”特征數(shù)據(jù)，影響模型的訓(xùn)練和識別速度與正確率。

三、結(jié)論和將來的工作

本文的研究對先秦人名自動識別進(jìn)行了嘗試。取得了一定的效果。我們未來的主要研究工作是進(jìn)一步擴(kuò)大語料的規(guī)模，我們準(zhǔn)備對25種先秦傳世文獻(xiàn)進(jìn)行處理@。從中充分挖掘先秦人名的特征，提高人名識別的正確率和召回率。同時，我們進(jìn)行人名的識別不僅僅是為了給人名加上標(biāo)記而已，而是為了研究異名同指和同名異指服務(wù)，從而為自動構(gòu)建人名知識庫奠定基礎(chǔ)。

注釋：

①http：／／crfpp.sourceforge.net／.

②陳小荷，先秦文獻(xiàn)的信息處理芻議，中文信息學(xué)會會議上的發(fā)言，2008，11，23

參考文獻(xiàn)：

[1][晉]杜預(yù)，春秋左傳集解，上海古籍出版社，1977

[2]陳絮，商周姓氏制度研究，商務(wù)印書館，2007

[3]劉開瑛，中文文本自動分詞和標(biāo)注，商務(wù)印書館，2000

[4]楊伯峻，春秋左傳注，中華書局，1981

[5]張淑一，先秦姓氏制度考索，福建人民出版社，2008

[6]孫茂松，黃昌寧，高海燕，方捷，中文人名的自動辨識，中文信息學(xué)報，1995，(02)

[7]嚴(yán)軍，《左傳》姓氏相關(guān)問題的探索，浙江學(xué)刊，1994，(04)

基金項目：南京師范大學(xué)211工程三期重點(diǎn)學(xué)科建設(shè)項目“語言科技創(chuàng)新及工作平臺建設(shè)”子課題。