|
|
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。
/ H9 g8 h0 K. e0 i' k, V
1 D, _3 o7 m" h 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 y" |9 D6 \1 N: A 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。: m7 [3 N' C( N3 k; V9 x
1、交集型歧义
2 I+ g( {7 v0 @
' P/ |) e* |0 B( g2 P8 x 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。
$ _% c& _! _: I: M- g0 U b
4 J- G# X: h: Z- I 2、组合型歧义
! q' V% O( s+ y; U! K6 K) O1 K! s0 P8 Y! }
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。
9 a U- M0 y: S. N' t
7 f/ i9 F. o7 T# L2 @ 3、混和型歧义
% f9 {' Q0 h. L3 j$ k8 }! S* x# G" O' I5 J5 _( M
混和型歧义是包含交集型歧义和组合型歧义的切分歧义。) z4 x6 H! v' O0 {& `9 g
1 W5 b0 y9 |4 |2 R/ h0 K 目前解决这些问题主要通过字典和统计学的方法。' F: R. C, c! S
! r2 q3 s6 A, m8 l9 w# e
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 j8 K% F# k$ f+ a5 c6 E" ^8 n0 |0 [' a! \ p, U: a
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。- G" \ _. G! w" e+ h
# c0 q5 M t) W
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。+ S2 u& b' u$ ~# v
|
|
