|
|
今天继续跟大家分享SEO心得，今天的话题是中文分词技术，这个也是SEO优化的一大环节，网站的分词处理得当将有利于目标关键词在搜索引擎中的排名。
$ B2 B' U+ H! k$ b
) `6 }' Z- B& B/ R) ?1 G C 当今使用搜索引擎已**们查找信息的首选工具，撇开百度、谷歌、雅虎，随着搜索市场价值的不断增加，越来越多的公司开发出自己的搜索引擎，自然，搜索引擎技术也成为技术人员关注的热点。
4 l9 M' n# A& l/ @/ k- {1 _ 中文分词是将一句话或一个短语按照日常阅读习惯进行机械分解。英文分词是以词为单位的，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，我喜欢搜索引擎，分词的结果是：我|喜欢|搜索引擎。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。3 ]( U1 z, k) f# u
1、交集型歧义$ f5 {, A& _/ u
, ~$ }" p$ v, N9 L$ d$ h
假设“ABC”是一个由A、B、C三个汉字构成的字串，如果 “AB”、“BC”都是词，那么计算机在切分时可以把“ABC”切分为“AB/C”，也可以切分为“A/BC”。这种切分歧义称为交集型歧义。
6 D* R2 v7 D6 G' L) h& B+ k7 O7 b4 g3 k' s$ J/ w t. B
2、组合型歧义
) x9 {. _! H% k# Q6 B* J0 @( L% y5 j7 K! C1 A
如果“AB”是词、“ABC”也是词，那么产生的切分歧义称为组合型歧义。1 I4 t d1 h, t" @' O
& y+ {% ^+ T9 M7 B/ i: \/ u+ w% i" v
3、混和型歧义1 ^3 {# R" ]9 j9 q6 H9 b; h; @' a
& ~7 v0 G" s$ L7 b$ |* C1 u 混和型歧义是包含交集型歧义和组合型歧义的切分歧义。) t8 S- l$ {( Y9 F& E
j6 J- j: e# B1 z P9 b2 B5 b
目前解决这些问题主要通过字典和统计学的方法。3 C% a4 D5 B4 w& h5 B3 p) G
9 M, c$ T e4 F) t
首先我们先说说字典分词法。字典一般采用前缀树和后缀树的数据存储结构。什么是前缀树呢?其实就是我们把一个句子从左向右扫描一遍，遇到字典里有的词就标识出来，遇到复合词就找最长的词匹配，遇到不认识的字串就分割成单字词，于是简单的分词就完成了。后缀树就是从右向左扫描一遍。+ a1 y' h( p/ [& R3 k0 r
; M& Q! e/ ~+ l/ ~1 ^! D8 @ 统计学的方法，虽然字典分词已经解决了很多分词上出现的问题。但是面对很多新出的词汇，分词也面临着挑战。统计学的分词方式是基于概念和信息学方面的知识进行处理。基本原理就是寻找那些经常一同出现的字，总是相互的字很有可能构成一个词。
- `% X* G, ^ D- \& {! Q9 |& g/ D3 Q
到底哪种分词算法的准确度更高，目前并无定论。对于任何一个成熟的分词系统来说，不可能单独依靠某一种算法来实现，对于中文词的识别，需要综合多种算法来处理不同的问题。
) W# g, D4 ]5 H% ^( e( B- v$ e( K |
|
