中文分词之姓名标注

前言：

谈到中文分词，前些年我可能感觉有点可望而不可即，不过现在倒是有这个自信和大家吹吹水了。不久前根据自己已有的原材料写了一个分词并标注姓名的小程序，因为和ictclas有些不同，故此分享出来。ictclas被研究的很多了，我没有去看源码，看了几个不同版本的分析；因为之前也看过《算法导论》和《数据结构》，倒是没有什么理解上的困难。他大体分为4个主要步骤：原子切分、top-N最优路径粗切分、未登陆此识别（姓名的识别就含在此内了）、二元优化切分，数据结构则是采用的字典hash+二叉树。

ictclas的词性标注

先介绍一篇博文 http://blog.youkuaiyun.com/dancefire/article/details/1606603 《中科院中文分词系统ICTCLAS之人名识别词典分析》。这姓名标记方法中，咋一看还是有些复杂：步骤很多，需要考虑情况很多。但是分词中用到的知识是很有限的：某一些词的后面比较容易出现姓名（如：他叫某某），某一些的前面比较容易出现姓名(如：某某说)，利用这一转移概率使用HMM对各种切分进行评判，选出最可能切分方法。由于ictclas的