wshxzt的北美生活

终于把老板布置的paper看掉了
一篇是讲Human knowledge的
一篇是讲Global Information的
Human knowledge这篇主要是讲他预设了很多张表
比如
人名识别增设
姓氏表：这个还是有点道理的，中国人姓氏用到的字不是太多。但是随着现在思想的解放，出现了 陆王天宇 这种名字，那他的姓算什么呢……
名表：名字可能用到的字。我觉得这个没道理，现在连姓都越来越奇怪了，名字的选择显然没有任何限制。
音译字：音译的外来名一般使用的字是有规律的。
地名识别增设
一般地名表：这个还是有必要的。
salient word表：比如“市”、“省”前的一串字符还是很可能是地名的。
一般词表：在“去”、“在”后面的一串字符也是很可能是地名的。
缩写地名表
组织机构名增设
salient word表
一般组织机构名
组织结构名模板：这个还是满重要的，组织机构是嵌套构成的，掌握其构成方法是不是就可以用自动机来做了呢

这样做还是有一定道理的，人类识别时会利用自己的知识。但是该如何利用这些知识呢，这篇paper里也没讲清楚。

还有篇讲Global information，主要是说一些先出现过的专有名词以后就可能以缩写形式出现了，要充分利用整篇文章的信息识别专有名词。问题是这篇文章以英文做实验，提取的特征都是基于英文的。比如英文的大小写等特征。这些特征是中文信息中所没有的。中文文章甚至连词都是没分好的。另外一个问题是，每次识别都要对整篇文章进行特征提取，这样势必会造成效率下降。我暂时没想到好的算法，如何在线性时间内判断某个词之前是否出现过等等。这样做在中文识别中对性能的提高幅度还不清楚，但是牺牲效率去换这些提高是否值得？

接下来要做的是去找那些Human knowledge，不知道qxred大牛你们曾经找过这种东西么？
再不抓紧老板要爆发了-.-