Inspired by http://x-algo.cn/index.php/2016/02/29/crf-name-entity-recognition/

最终学习出来的模型，对复杂的地名识别准确率(F值)比较低，推测是：
预料中对地名的标注多处是前后矛盾。例如 [华南/ns 地区/n]ns 标为地名实体，
但是 东北/f 地 区/n 确分开标注，类似错误还有很多。

1、template 特征函数定义


2、process_data.py
从原始预料中（已分词、标注词性的人民日报预料）提取地点tag,
并进行重新标注(LOC_B,LOC_I,LOC_E,LOC_S),其他词皆为O,
形成train.data/test.data

3、run.sh
训练模型，并基于test.data测试，其输出包括：模型文件model、
train.rst训练过程打印、test.rsa测试集预测结果


4、showResult.py
统计test.rsa结果中的相关信息，包括召回率和准确率，比如：
Word count: 197031
Word_loc count: 5791
真实位置标记个数： {'LOC_E': 197, 'LOC_B': 197, 'LOC_S': 5262, 'LOC_I': 95}
预估位置标记个数： {'LOC_E': 149, 'LOC_B': 135, 'LOC_S': 5304, 'LOC_I': 57}
正确标记个数： {'LOC_E': 124, 'LOC_B': 105, 'LOC_S': 5233, 'LOC_I': 42}
------ LOC_E -------
[LOC_E] P = 0.832215, R = 0.629442, F-score = 0.716763
------ LOC_B -------
[LOC_B] P = 0.777778, R = 0.532995, F-score = 0.632530
------ LOC_S -------
[LOC_S] P = 0.986614, R = 0.994489, F-score = 0.990536
------ LOC_I -------
[LOC_I] P = 0.736842, R = 0.442105, F-score = 0.552632
------ All -------
[All] P = 0.975022, R = 0.957051, F-score = 0.965953