|
|
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。+ V+ ]% }7 i# F! r
) p5 S" @/ O! P( N: P5 e/ F 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。3 Z. c( \& v0 e2 U
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。
5 I, J6 k3 v) J 1、交集型歧义8 i9 m2 `/ B! x1 F$ ?6 U, g) |
- M8 v7 f0 V5 p0 L 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。+ ^2 O3 P, [, [9 @% ^$ I& V9 ^
D4 t6 w! B1 H' v8 j 2、组合型歧义1 g1 o3 o+ h3 H% x; d% d
5 L* ^! s/ k+ N2 _
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。# N$ K/ v+ E& w# \. Y, f k
) c/ ~* a1 M0 }6 q3 W 3、混和型歧义
0 {0 P) z8 U% G
) H; M# ]: U& @2 @% v2 p4 }5 `: a 混和型歧义是包含交集型歧义和组合型歧义的切分歧义。
. v; ?# ?5 I; v1 h# u
/ f3 x2 N$ ~) h; y* W5 I 目前解决这些问题主要通过字典和统计学的方法。
- p$ o. H! H, q% E3 M; f0 \ B! K* G/ p4 k
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。5 v9 h8 m$ j% l& d; @$ K0 D% g3 r
4 L5 j+ h) _! G! v3 x. E' b6 q
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。9 b) K% q0 {$ b. F5 e+ t
+ p6 F2 D# A6 z. 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。- }' d) U* d& k( U1 ? a# m+ U
|
|
