浅谈百度三种中文分词技术

中文分词技术是搜索引擎对于用户提交查询的关键词，搜索引擎用中文分词把词按照一定的规格，将一个长尾词分割成几个部分，从而概括一段话的主要内容，让用户能更快速度的找到想要的内容。

搜索引擎最常用的几种分词方法有三种：

一、字符串匹配的方法;（字符串匹配的分词一般为3种：1.正向最大匹配法;2.逆向最大匹配法;3.最少切分）

二、理解分词方法;

三、统计分词方法。

字符串匹配方法：在百度中搜索“我喜欢玩宠物连连看”而在百度排名第一位的是以标题和搜索的长尾词相符合，说明在网站条件相当的情况下，先显示标题匹配的网页。这样文章标题中的长尾是在排名中非常重要的。而在百度第二页“我喜欢玩宠物连连看”用百度快照查看，很显然长尾词已经被分成“我喜欢，玩，宠物连连看”而在外后已经被分成：“我，喜欢玩，宠物，连连看”，这种匹配方法是最少切分方式。

理解分词方法：当输入的字符串中包含≤3个中文字符的话百度分词就会直接接到数据库索引词汇;而当字符串长度》4个中文字符的时候，百度中分词会会把这个词分成若干个字符。如：百度搜索“电动车”。

统计分词方法：相邻的字同时出现的次数越多，中文分词就会可能把出现相邻的字当成你一个词。例如在百度中输入一个字符“网”而在下面百度也把“网站”标红了，这样可以看得出“网”与“站”这两个字符相邻出现的次数非常多，统计分词已经把“网站”纳入了词库。

对于百度中文分词的理解：

中文分词中强调一点：“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”;长尾词在文章中的间距也是决定文章排名的因素。如：“我喜欢玩宠物连连看”在百度第十三页的时候已经被分词成“我，喜欢，玩，宠物，连连，看”

全字匹配得到的词的权重会高于分开的词的权重。

根据自己的观察现在百度大部分都是使用的是正向匹配。

百度分词对于一句话分词之后，还会去掉句子中的没有意义的词语。

本文由http://www.idaus.com/blog-6-66.html的作者编辑，转载请保留，谢谢合作

标签： 百度分词技术 中文分词 百度中文分词原理 

版权申明：本站文章部分自网络，如有侵权，请联系：west999com@outlook.com
特别注意：本站所有转载文章言论不代表本站观点！
本站所提供的图片等素材，版权归原作者所有，如需使用，请与原作者联系。