手电钻厂家
免费服务热线

Free service

hotline

010-00000000
手电钻厂家
热门搜索:
行业资讯
当前位置:首页 > 行业资讯

中文分词技术简介

发布时间:2020-07-24 10:29:11 阅读: 来源:手电钻厂家

中文分词又叫中文切词,中文划词等,是seo必须掌握的一个基础知识。现有的中文分词算法可分为3大类:基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法。

1、基于字符串匹配的分词方法

这种方法又叫做机械分词方法,它是依照一定的策略将待分析的汉字串与一个充分大的机器词典中的词条进行配,若在词典中找到某个字符串,则匹配成功(辨认出一个词)。依照扫描方向的不同,串匹配分词方法可以分为正向匹配和逆向匹配;依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;依照是不是与词性标注进程相结合,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。经常使用的几种机械分词方法以下:

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(使每句中切出的词数最小)。

还可以将上述各种方法相互组合,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很少使用。一般说来,逆向匹配的切分精度略高于正向匹配,遇到的歧义现象也较少。统计结果表明,单纯使用正向最大匹配的错误率为1/169,单纯使用逆向最大匹配的错误率为1/245。但这类精度还远远不能满足实际的需要。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它的语言信息来进一步提高切分的准确率。

一种方法是改进扫描方式,称为特点扫描或标志切分,优先在待分析字符串中辨认和切分出一些带有明显特点的词,以这些词作为断点,可将原字符串分为较小的串再来进机械分词,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对分词决策提供帮助,并且在标注进程中又反过来对分词结果进行检验、调剂,从而极大地提高切分的准确率。

2、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几率能够较好的反应成词的可信度。可以对语料中相邻共现的各个字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、Y的相邻共现几率。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了一个词。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方法。但这种方法也有一定的局限性,会常常抽出一些共现频度高、但并不是词的常用字组,例如这1、之一、有的、我的、许多的等,并且对常用词的辨认精度差,时空开消大。实际运用的统计分词系统都要使用一部基本的分词词典(常用词词典)进行串匹配分词,同时使用统计方法辨认一些新的词,行将串频统计和串匹配结合起来,既发挥匹配分词切分速度快、效力高的特点,又利用了无词典分词结合上下文辨认生词、自动消除歧义的优点。

3、基于理解的分词方法

这类分词方法是通过让计算机摹拟人对句子的理解,到达辨认词的效果。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。它通常包括三个部份:分词子系统、句法语义子系统、总控部份。在总控部份的调和下,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,即它摹拟了人对句子的理解进程。这类分词方法需要使用大量的语言知识和信息。由于汉语语言知识的笼统、复杂性,难以将各种语言信息组织成机器可直接读取的情势,因此目前基于理解的分词系统还处在实验阶段。

到底哪种分词算法的准确度更高,目前并没有定论。对任何一个成熟的分词系统来讲,不可能单独依托某一种算法来实现,都需要综合不同的算法。笔者了解,海量科技的分词算法就采取复方分词法,所谓复方,相当于用中药中的复方概念,即用不同的药才综合起来去治疗疾病,一样,对中文词的辨认,需要多种算法来处理不同的问题。

有了成熟的分词算法,是不是就能容易的解决中文分词的问题呢?事实远非如此。中文是一种十分复杂的语言,让计算机理解中文语言更是困难。在中文分词进程中,有两大困难一直没有完全突破。

1、歧义辨认

歧义是指一样的一句话,可能有两种或更多的切分方法。例如:表面的,由于表面和面的都是词,那末这个短语就可以分成表面的和表 面的。这类称为交叉歧义。像这类交叉歧义十分常见,前面举的和服的例子,其实就是由于交叉歧义引发的错。化装和服装可以分成化装 和 服装或化装和服 装。由于没有人的知识去理解,计算机很难知道到底哪一个方案正确。

交叉歧义相对组合歧义来说是还算比较容易处理,组合歧义就必须根据全部句子来判断了。例如,在句子这个门把手坏了中,把手是个词,但在句子请把手拿开中,把手就不是一个词;在句子将军任命了1名中将中,中将是个词,但在句子产量三年中将增长两倍中,中将就不再是词。这些词计算机又如何去辨认?

如果交叉歧义和组合歧义计算机都能解决的话,在歧义中还有一个困难,是真歧义。真歧义意思是给出一句话,由人去判断也不知道哪一个应该是词,哪一个应当不是词。例如:乒乓球拍卖完了,可以切分成乒乓球拍 卖 完 了、也可切分成乒乓球 拍卖 完 了如果没有上下文其他的句子,恐怕谁也不知道拍卖在这里算不算一个词。

2、新词辨认

新词,专业术语称为未登录词。也就是那些在字典中都没有收录过,但又确切能称为词的那些词。最典型的是人名,人可以很容易理解句子王军虎去广州了中,王军虎是个词,由于是一个人的名字,但要是让计算机去辨认就困难了。如果把王军虎做为一个词收录到字典中去,全球有那么多名字,而且每时每刻都有新增的人名,收录这些人名本身就是一项巨大的工程。即便这项工作可以完成,还是会存在问题,例如:在句子王军虎头虎脑的中,王军虎还能不能算词?

新词中除人名之外,还有机构名、地名、产品名、商标名、简称、省略语等都是很难处理的问题,而且这些又正好是人们常常使用的词,因此对搜索引擎来讲,分词系统中的新词辨认十分重要。目前新词辨认准确率已成为评价一个分词系统好坏的重要标志之一。有兴趣的朋友可以用百度搜索引擎做个尝试,输入不同的关键字,查看百度的返回结果,从中理解百度的分词方法,本人认为这样的学习效力是才最高的。

治疗癫痫什么医院好

那些医院看癫痫好

成都专业癫痫病医院

长沙癫痫病医院

相关阅读