|
|
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。
! Z, ^7 m4 ?3 D6 e
/ ^2 m6 c$ D- E9 i2 E 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。 U% a; X7 ]% _ ~" K
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。
. z. Y( Z* i3 R: E: i 1、交集型歧义+ v" T+ W _4 [1 ^6 u" w
. T- ^9 H+ }8 L; P: k" A& }$ @. `
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。# d; H) i2 D6 v0 ~, I' F
4 |+ u7 y* t6 T" w6 g, L: K
2、组合型歧义% b3 C0 G( }/ b" p8 A+ d& W- g! v) m
! D) @3 i# [3 {9 W& h! ?
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。
. ~( m- Q! u) Z4 ?8 o" y; N9 l$ d6 }3 A: U, D: b7 D+ w
3、混和型歧义; `0 z7 ^( d! b6 N5 Z8 l
7 I U# l! n! m0 M/ e% c
混和型歧义是包含交集型歧义和组合型歧义的切分歧义。) e: ^. D1 G0 H
# i0 _: G; A4 Z3 `; O R& V 目前解决这些问题主要通过字典和统计学的方法。- Z$ {: A$ V+ ^* Q% l1 ?8 ~% U4 ?/ f
) V+ p8 \7 c( g2 A2 }5 i; C
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。
2 c9 P% @. [* P/ ]4 J
7 \! L# H: ], k- l9 t 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。2 a6 \0 U0 T' W8 A: \
* O/ G; J4 H5 b* p* k4 b! c* E; d 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。
+ K, s3 o& Y4 `! V/ N4 Y; | |
|
