[tags]分词方法,seo,中文分词技术,基于字符串匹配,分词算法,基于理解,基于统计[/tags]

中文分词技术
英文是以词为单位的, 词和词之间是靠空格隔开, 而中文是以字为单位, 句子中所有的字连起来才能描述一个意思。例如, 英文句子 “ I am a seoer” , 用中文则为: “ 我是一个搜索引擎优化师” 。 计算机可以很简单通过空格知道 seoer是一个单词。但是不能很容易明白“ 搜索引擎” 、 “ 优化师” 几个个字合起来才表示一个词。把中文的汉字序列切分成有意义的词, 就是中文分词, 有些人也称为切词。 我是一个搜索引擎优化师, 分词结果是:我是一个搜索引擎优化师。现有的分词算法可分为三大类: 基于字符串匹配的分词算法、 基于理解的分词算法和基于统计的分词算法。

基于字符串匹配的分词算法
这种算法又叫做机械分词算法, 它是按照一定的策略将待分的汉字串与一个充分大的” 机器词典中的词条进行匹配, 若在词典中找到某个字符串, 则匹配成功(识别出一个词)。 按照扫描方向的不同, 串匹配分词可以分为正向匹配和逆向匹配; 按照不同长度优先匹配的情况, 可以分为最大(最长)匹配和最小(最短)匹配; 按照是否与词性标注过程相结合, 又可以分为单纯分词方法和分词与标注相结合的一体化方法, 常用的几种机械分词方法如下:
( 1)正向最大匹配法(由左到右的方向);
( 2)逆向最大匹配法(由右到左的方向);
( 3)最少切分法(使每一句中切出的词数量小)。

还可以将上述各种方法相互结合, 例如, 可以将正向最大匹配方法和逆向最大匹配方法结合起来构成双向匹配法。 由于汉语单字成词的特点, 正向最小匹配和逆向最小匹配一般使用较少。 一般说来。 逆向匹配的切分精度略高于正向匹配, 遇到的歧义现象比较少。 实际使用的分词系统, 都是把机械分词作为一种初分手段。还需通过利用各种其他的语言信息来进一步提高切分的准确率。

其中一种方法是改进扫描方式, 称为特征扫描或标志切分, 优先在待分字符串中识别和切分出一些带有明显特征的词, 以这些词为断点, 可将原字符串分为较小的字符串再进行机械分词, 从而减少匹配的错误率。另一种方法是将分词和词类标注结合起来, 利用丰富的词类信息为分词决策提供帮助, 并且在标注过程中又反过来对分词结果进行检验、 调整, 从而极大地提高切分的准确率。

基于理解的分词方法
这种分词方法是通过让计算机模拟人对句子的理解, 达到识别词的效果。 其基本思想就是在分词的同时进行句法、 语义分析, 利用句法信息和语义信息来处理歧义现象。它通常包括三个部分: 分词子系统、 句法语义系统、 总控部分。 在总控部分的协调下,分词子系统可以获得有关词、句子等的句法和语义信息来对分词歧义进行判断, 即它模拟了人对句子的理解过程。这种分词方法需要使用大量的语言知识信息。

基于统计的分词方法
从形式上看, 词是稳定的字的组合, 因此在上下文中, 相邻的字同时出现的次数越多, 就越有可能构成一个词。因此字与字相邻共现的频率或概率能够较好地反映成词的可信度。可以对语料中相邻共现的各个字符的组合的频度进行统计, 计算它们的互现信息。 定义两个字的互现信息, 计算两个汉字 X与Y的相邻共现概率。 互现信息体现了汉字之间结合关系的紧密程度。 当紧密程度高于某一个阈值时, 便可认为此字组可能构成一个词。这种方法只需对语料中的字组频度进行统计, 不需要切分词典, 因而又叫做无词典分词法或统计取词法。但这种方法也有一定的局限性, 会经常抽出一些共现频度高但并不是词的常用字组, 例如 “ 这一” 、 “ 之一” 、 “ 有的” 、 “ 我的” 、 “ 许多的” 等, 并且对常且词的识别精度差, 时空开销大。实际使用的统计分词系统都要使用一部基本的分词词典(常且词词典)进行串匹配分词, 同时使用统计方法识别一些新的词, 即将串频统计和串匹配结合起来, 既发挥匹配分词分速度快、 效率高的特点, 又利用了无词典分词结合上下文识别生词、 自动消除歧义的优点。