前言
本文將探討常見的專有名詞辨識方法，並說明其在自然語言處理中的應用與挑戰。
目的
專有名詞辨識是名詞辨識的一部分，其核心目標在於支援詞性標註（Part of Speech tagging）。
一般名詞在語言中相對穩定，往往數十年間仍持續使用。然而，專有名詞的生命週期卻不如普通名詞長久：
- 新生：不斷有新的公司、產品或社會現象出現。
- 衰退：部分專有名詞因公司倒閉或產品停產而逐漸乏人問津。
- 消失：少數情況下，政權更替或文化轉變會使某些專有名詞徹底消失。
由於專有名詞持續演進，並不存在一次到位的解決方案。實務上常見的做法是定期更新詞庫，彷彿為人類文化做一個「快照」（snapshot），以維持辨識系統的有效性。
演算法
常見的專有名詞辨識方法主要有以下三種：
- 詞典法：將已知的專有名詞收錄於字典檔中，直接比對。
- 優點：簡單、快速。
- 缺點：缺乏彈性，無法外推，遇到新名詞時無法處理。
- 特徵法：利用專有名詞的表面特徵，例如英文專有名詞通常含有至少一個大寫字母。
- 優點：方便、易於自動化。
- 缺點：容易引入錯誤，無法完全依賴。常用於自動標註銀資料（silver data），再由人工修正。
- 規則法：透過上下文規則進行辨識，例如「清華大學」可視為
專有名詞 + 名詞的結構。- 優點：可由手寫規則或模型學習隱藏規則，具一定外推能力。
- 缺點：並非百分之百可靠。
在實務應用中，並不會只依賴單一方法，而是根據不同階段與需求，靈活結合多種方法來進行標註。
在台語語料中標註英文專有名詞
在此情境中，我們採用了特徵法，原因如下：
- 台語語料中的英文通常僅以單字形式出現。
- 英文具備穩定且可利用的特徵。
少數情況下會出現錯誤，例如語料中包含整句英文。但這類情境發生機率偏低，因此可視為雜音（noise）。
此方法的優勢在於不需維護專有名詞字典，等於以「時間換取空間」的演算法。
標註漢語專有名詞
在華語、台語、客語等漢族語言中，由於文字是方塊字，缺乏可直接利用的表面特徵，因此主要依靠字典法與規則法：
- 常見且相對穩定的專有名詞，建議使用字典法，簡單且可靠。
- 冷僻或變動性較高的專有名詞，則可透過模型學習隱藏規則來處理。雖然結果不會百分之百正確，但相較於僅依賴字典法，更能提升辨識的廣度與彈性。
這樣的策略反映了漢族語言的特性：由於方塊字無法提供形態特徵，只能透過字典與規則來維持辨識的準確性。
結論
專有名詞辨識在自然語言處理中扮演關鍵角色。由於專有名詞的動態性與文化依存性，沒有單一方法能完全解決所有問題。詞典法、特徵法與規則法各有優缺點，實務上往往需要靈活組合，並隨著語料更新而調整。透過這樣的策略，我們才能在持續演變的語言環境中，維持辨識系統的準確性與實用性。