搜索引擎中文分詞技術(shù)詳解

認為做seo需要從底層入手，了解搜索引擎的中文分詞技術(shù)，能幫助我們理解seo技術(shù)的本質(zhì)，更好的對網(wǎng)站進行優(yōu)化。另外，除開本文提到分詞技術(shù)外，其他的諸如搜索引擎原理等，也是必備的需要掌握的知識點。

搜索引擎中文分詞技術(shù)

　　如果你想成為一名專業(yè)的SEO，那么子晨認為搜索引擎分詞思維是必須掌握的，因為只有掌握了分詞思維，你才可以定位好搜索引擎喜歡，而且用戶也喜歡的關(guān)鍵詞，進而才能更深層次的挖掘出SEO技術(shù)。

　　也許有一些新手朋友看起來中文分詞的分詞理論比較復雜，但你完全同必要詞那些理論，沒有太多的意義，你只要知道計算方法和如何去做好每個網(wǎng)頁分詞就可以了，現(xiàn)在就為大家詳細的介紹一下百度的中文分詞技術(shù)。股票配資

一、中文分詞是什么？

　　子晨從相關(guān)渠道獲悉，百度分詞技術(shù)就是百度針對用戶提交查詢的關(guān)鍵詞串進行的查詢處理后根據(jù)用戶的關(guān)鍵詞串用各種匹配方法進行的一種技術(shù)。

　　中文分詞指的是將一個漢字序列切分成一個一個單獨的詞，分詞就是將連續(xù)的字序列按照一定的規(guī)范重新組合成詞序列的過程，所謂分詞就是把字與字連在一起的漢語句子分成若干個相互獨立、完整、正確的單詞，詞是最小的、能獨立活動的、有意義的語言成分。

　　我們知道，在英文的行文中，單詞之間是以空格作為自然分界符的，而中文只是字、句和段能通過明顯的分界符來簡單劃界，唯獨詞沒有一個形式上的分界符，雖然英文也同樣存在短語的劃分問題，不過在詞這一層上，中文比之英文要復雜的多、困難的多。

　　中文分詞是文本挖掘的基礎(chǔ)，對于輸入的一段中文，成功的進行中文分詞，可以達到電腦自動識別語句含義的效果。

　　中文分詞技術(shù)屬于自然語言處理技術(shù)范疇，對于一句話，人可以通過自己的知識來明白哪些是詞？哪些不是詞？但如何讓計算機也能理解？其處理過程就是分詞算法。

　　計算機的所有語言知識都來自機器詞典(給出詞的各項信息)、句法規(guī)則(以詞類的各種組合方式來描述詞的聚合現(xiàn)象)以及有關(guān)詞和句子的語義、語境、語用知識庫，中文信息處理系統(tǒng)只要涉及句法、語義(如檢索、翻譯、文摘、校對等應用)，就需要以詞為基本單位，當漢字由句轉(zhuǎn)化為詞之后，才能使得句法分析、語句理解、自動文摘、自動分類和機器翻譯等文本處理具有可行性，可以說，分詞是機器語言學的基礎(chǔ)。

二、分詞的思路及原理

　　首先我們要知道搜索引擎工作原理是把每個網(wǎng)頁的內(nèi)容按詞來錄入到數(shù)據(jù)庫，比如你的文章標題是：“SEO博客提供免費SEO實戰(zhàn)培訓教程”，那么搜索引擎分把這個標題分成搜索引擎字典已經(jīng)存儲的詞和用戶常關(guān)注的詞，比如：、SEO、博客，培訓，提供，免費，SEO教程，SEO實戰(zhàn)培訓，免費SEO教程，免費SEO培訓和SEO培訓等等。

　　主要大家能領(lǐng)悟這種思維就可以了，所以文章句子分割成每個詞或者單個字是搜索引擎要做的第一頁，也是最重要的一步，因為只有詞分好了，才能準確地把價值的信息反饋給用戶。

　　對于一個專業(yè)的網(wǎng)站優(yōu)化人員來說中文分詞的方法也十分的重要，因為主有把要優(yōu)化的每個詞好了分詞后，才能更好的做好每個網(wǎng)頁的優(yōu)化工作，才能更清楚的告訴搜索引擎我這網(wǎng)站是代表什么來提高搜索引擎排名的機會，同時也清楚告訴用戶，你的網(wǎng)頁要表達的內(nèi)容，這是做SEO服務以來體會最深刻的地方，往往一個網(wǎng)頁的分詞錯了，再多的努力都是白費，因為做SEO推廣的企業(yè)是非常講究效率的，效率低意味意投資與回報率太低，是企業(yè)資源沒有合理利用的一個錯誤策略。

三、中文分詞技術(shù)在搜索引擎中有哪些應用？

　　在自然語言處理技術(shù)中，中文處理技術(shù)比西文處理技術(shù)要落后很大一段距離，許多西文的處理方法中文不能直接采用，就是因為中文必需有分詞這道工序，中文分詞是其他中文信息處理的基礎(chǔ)，搜索引擎只是中文分詞的一個應用，其他的比如機器翻譯（MT）、語音合成、自動分類、自動摘要、自動校對等等，都需要用到分詞在線配資

　　因為中文需要分詞，可能會影響一些研究，但同時也為一些企業(yè)帶來機會，因為國外的計算機處理技術(shù)要想進入中國市場，首先也是要解決中文分詞問題。

　　分詞準確性對搜索引擎來說十分重要，但如果分詞速度太慢，即使準確性再高，對于搜索引擎來說也是不可用的，因為搜索引擎需要處理數(shù)以億計的網(wǎng)頁，如果分詞耗用的時間過長，會嚴重影響搜索引擎內(nèi)容更新的速度。因此對于搜索引擎來說，分詞的準確性和速度，二者都需要達到很高的要求。

四、特殊性

　　據(jù)了解，在計算機網(wǎng)絡上，之所以存在中文分詞技術(shù)，是由于中文在基本文法上有其特殊性，子晨歸納出的特殊性具體表現(xiàn)在：

　　1、與英文為代表的拉丁語系語言相比，英文以空格作為天然的分隔符，而中文由于繼承自古代漢語的傳統(tǒng)，詞語之間沒有分隔。

　　古代漢語中除了連綿詞、人名和地名等，詞通常就是單個漢字，所以當時沒有分詞書寫的必要，而現(xiàn)代漢語中雙字或多字詞居多，一個字不再等同于一個詞。

　　2、在中文里，“詞”和“詞組”邊界模糊，現(xiàn)代漢語的基本表達單元雖然為“詞”，且以雙字或者多字詞居多，但由于人們認識水平的不同，對詞和短語的邊界很難去區(qū)分。

　　例如：“對隨地吐痰者給予處罰”，“隨地吐痰者”本身是一個詞還是一個短語，不同的人會有不同的標準，同樣的“海上”“酒廠”等等，即使是同一個人也可能做出不同判斷，如果漢語真的要分詞書寫，必然會出現(xiàn)混亂，難度很大。

　　中文分詞的方法其實不局限于中文應用，也被應用到英文處理，如手寫識別，單詞之間的空格就很清楚，中文分詞方法可以幫助判別英文單詞的邊界。

五、分詞算法的分類

　　現(xiàn)有的分詞算法可分為三大類：基于字符串匹配的分詞方法、基于理解的分詞方法和基于統(tǒng)計的分詞方法，按照是否與詞性標注過程相結(jié)合，又可以分為單純分詞方法和分詞與標注相結(jié)合的一體化方法。

　　1、基于字符串匹配的分詞方法

　　這種方法又叫做機械分詞方法，它是按照一定的策略將待分析的漢字串與一個“充分大的”機器詞典中的詞條進行配，若在詞典中找到某個字符串，則匹配成功（識別出一個詞）。

　　按照掃描方向的不同，串匹配分詞方法可以分為正向匹配和逆向匹配；按照不同長度優(yōu)先匹配的情況，可以分為最大（最長）匹配和最小（最短）匹配；常用的幾種機械分詞方法如下：

　?。?）、正向最大匹配法（由左到右的方向）

　　首先粗分，按照句子把文本切成一個一個句子，然后把每個句子切成單字，字典按照樹形結(jié)構(gòu)存儲，比如這句話“春天還會遠嗎”首先查找“春”字開頭的詞，然后按照字典樹形結(jié)構(gòu)往下走一個節(jié)點，查找“春”后面一個字是“天”的詞，然后又下沉一個節(jié)點，找“還”下面是“會”的詞，找不到了，查找就結(jié)束。

　?。?）、逆向最大匹配法（由右到左的方向）

　　就是朝相反的方向發(fā)掘可以匹配的文字，比如網(wǎng)上商城這個文字串，那么會向左延伸在網(wǎng)上的前面會出現(xiàn)的結(jié)果是區(qū)域性的文字，比如上海或者北京等，在商城的前面會出現(xiàn)更精準的定義文字符，比如愛家，女人等專屬性強的文字符。

　?。?）、最少切分法

　　使每一句中切出的詞數(shù)最小，還需通過利用各種其它的語言信息來進一步提高切分的準確率。

　?。?）、雙向最大匹配法（進行由左到右、由右到左兩次掃描）

　　正向最大匹配方法和逆向最大匹配方法結(jié)合起來構(gòu)成雙向匹配法，就是向左右縱深挖掘比較匹配的結(jié)果值。

　　還可以將上述各種方法相互組合，例如，可以將正向最大匹配方法和逆向最大匹配方法結(jié)合起來構(gòu)成雙向匹配法，由于漢語單字成詞的特點，正向最小匹配和逆向最小匹配一般很少使用。

　　一般說來，逆向匹配的切分精度略高于正向匹配，遇到的歧義現(xiàn)象也較少，統(tǒng)計結(jié)果表明，單純使用正向最大匹配的錯誤率為1/169，單純使用逆向最大匹配的錯誤率為1/245，但這種精度還遠遠不能滿足實際的需要，實際使用的分詞系統(tǒng)，都是把機械分詞作為一種初分手段，還需通過利用各種其它的語言信息來進一步提高切分的準確率。

　　一種方法是改進掃描方式，稱為特征掃描或標志切分，優(yōu)先在待分析字符串中識別和切分出一些帶有明顯特征的詞，以這些詞作為斷點，可將原字符串分為較小的串再來進機械分詞，從而減少匹配的錯誤率。

　　另一種方法是將分詞和詞類標注結(jié)合起來，利用豐富的詞類信息對分詞決策提供幫助，并且在標注過程中又反過來對分詞結(jié)果進行檢驗、調(diào)整，從而極大地提高切分的準確率。

　　對于機械分詞方法，可以建立一個一般的模型，在這方面有專業(yè)的學術(shù)論文，這里不做詳細論述。

　　2、基于理解的分詞方法

　　這種分詞方法是通過讓計算機模擬人對句子的理解，達到識別詞的效果，其基本思想就是在分詞的同時進行句法、語義分析，利用句法信息和語義信息來處理歧義現(xiàn)象，它通常包括三個部分：分詞子系統(tǒng)、句法語義子系統(tǒng)、總控部分。

　　在總控部分的協(xié)調(diào)下，分詞子系統(tǒng)可以獲得有關(guān)詞、句子等的句法和語義信息來對分詞歧義進行判斷，即它模擬了人對句子的理解過程，這種分詞方法需要使用大量的語言知識和信息，由于漢語語言知識的籠統(tǒng)、復雜性，難以將各種語言信息組織成機器可直接讀取的形式，因此目前基于理解的分詞系統(tǒng)還處在試驗階段。

　　3、基于統(tǒng)計的分詞方法

　　從形式上看，詞是穩(wěn)定的字的組合，因此在上下文中，相鄰的字同時出現(xiàn)的次數(shù)越多，就越有可能構(gòu)成一個詞，因此字與字相鄰共現(xiàn)的頻率或概率能夠較好的反映成詞的可信度，可以對語料中相鄰共現(xiàn)的各個字的組合的頻度進行統(tǒng)計，計算它們的互現(xiàn)信息，定義兩個字的互現(xiàn)信息，計算兩個漢字X、Y的相鄰共現(xiàn)概率，互現(xiàn)信息體現(xiàn)了漢字之間結(jié)合關(guān)系的緊密程度，當緊密程度高于某一個閾值時，便可認為此字組可能構(gòu)成了一個詞。

　　這種方法只需對語料中的字組頻度進行統(tǒng)計，不需要切分詞典，因而又叫做無詞典分詞法或統(tǒng)計取詞方法，但這種方法也有一定的局限性，會經(jīng)常抽出一些共現(xiàn)頻度高、但并不是詞的常用字組，例如“這一”、“之一”、“有的”、“我的”、“許多的”等，并且對常用詞的識別精度差，時空開銷大。

　　實際應用的統(tǒng)計分詞系統(tǒng)都要使用一部基本的分詞詞典（常用詞詞典）進行串匹配分詞，同時使用統(tǒng)計方法識別一些新的詞，即將串頻統(tǒng)計和串匹配結(jié)合起來，既發(fā)揮匹配分詞切分速度快、效率高的特點，又利用了無詞典分詞結(jié)合上下文識別生詞、自動消除歧義的優(yōu)點。

　　另外一類是基于統(tǒng)計機器學習的方法，首先給出大量已經(jīng)分詞的文本，利用統(tǒng)計機器學習模型學習詞語切分的規(guī)律（稱為訓練），從而實現(xiàn)對未知文本的切分，我們知道，漢語中各個字單獨作詞語的能力是不同的，此外有的字常常作為前綴出現(xiàn)，有的字卻常常作為后綴（“者”“性”），結(jié)合兩個字相臨時是否成詞的信息，這樣就得到了許多與分詞有關(guān)的知識，這種方法就是充分利用漢語組詞的規(guī)律來分詞，這種方法的最大缺點是需要有大量預先分好詞的語料作支撐，而且訓練過程中時空開銷極大。

　　到底哪種分詞算法的準確度更高，目前并無定論，對于任何一個成熟的分詞系統(tǒng)來說，不可能單獨依靠某一種算法來實現(xiàn)，都需要綜合不同的算法，例如，海量科技的分詞算法就采用“復方分詞法”，所謂復方，就是像中西醫(yī)結(jié)合般綜合運用機械方法和知識方法，對于成熟的中文分詞系統(tǒng)，需要多種算法綜合處理問題。

六、搜索引擎分詞的技術(shù)難點

　　有了成熟的分詞算法，是否就能容易的解決中文分詞的問題呢？事實遠非如此，中文是一種十分復雜的語言，讓計算機理解中文語言更是困難，在中文分詞過程中，有兩大難題一直沒有完全突破。

　　1、歧義識別

　　歧義是指同樣的一句話，可能有兩種或者更多的切分方法，主要的歧義有兩種：交集型歧義和組合型歧義，例如：表面的，因為“表面”和“面的”都是詞，那么這個短語就可以分成“表面的”和“表面的”，這種稱為交集型歧義（交叉歧義）。

　　像這種交集型歧義十分常見，前面舉的“和服”的例子，其實就是因為交集型歧義引起的錯誤，“化妝和服裝”可以分成“化妝和服裝”或者“化妝和服裝”，由于沒有人的知識去理解，計算機很難知道到底哪個方案正確。股票配資平臺

　　交集型歧義相對組合型歧義來說是還算比較容易處理，組合型歧義就必須根據(jù)整個句子來判斷了，例如，在句子“這個門把手壞了”中，“把手”是個詞，但在句子“請把手拿開”中，“把手”就不是一個詞；在句子“將軍任命了一名中將”中，“中將”是個詞，但在句子“產(chǎn)量三年中將增長兩倍”中，“中將”就不再是詞，這些詞計算機又如何去識別？

　　如果交集型歧義和組合型歧義計算機都能解決的話，在歧義中還有一個難題，是真歧義，真歧義意思是給出一句話，由人去判斷也不知道哪個應該是詞，哪個應該不是詞，例如：“乒乓球拍賣完了”，可以切分成“乒乓球拍賣完了”、也可切分成“乒乓球拍賣完了”，如果沒有上下文其他的句子，恐怕誰也不知道“拍賣”在這里算不算一個詞。

　　2、新詞識別

　　命名實體（人名、地名）、新詞，專業(yè)術(shù)語稱為未登錄詞，也就是那些在分詞詞典中沒有收錄，但又確實能稱為詞的那些詞。

　　最典型的是人名，人可以很容易理解，句子“王尼瑪去廣州了”中，“王尼瑪”是個詞，因為是一個人的名字，但要是讓計算機去識別就困難了，如果把“王尼瑪”做為一個詞收錄到字典中去，全世界有那么多名字，而且每時每刻都有新增的人名，收錄這些人名本身就是一項既不劃算又巨大的工程，即使這項工作可以完成，還是會存在問題，例如：在句子“王尼姑騎著愛瑪摩托”中，“王尼瑪”還能不能算詞？

　　子晨總結(jié)到除了人名以外，還有機構(gòu)名、地名、產(chǎn)品名、商標名、簡稱、省略語等都是很難處理的問題，而且這些又正好是人們經(jīng)常使用的詞，因此對于搜索引擎來說，分詞系統(tǒng)中的新詞識別十分重要，新詞識別準確率已經(jīng)成為評價一個分詞系統(tǒng)好壞的重要標志之一。