|
|
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。
- N8 f# o$ |0 i# Y% s' C' h! S9 Q( K6 ~ c+ d) @
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。! }5 ?7 B7 A- z/ r$ 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。
4 f' o) d9 M) P; S! g 1、交集型歧义
: } q w; [3 c8 s3 A# y G2 ?8 }4 X1 M. y
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 f4 f* E% Y( z7 Q5 |$ n
Y/ d* a( P2 s) D- U 2、组合型歧义
) M. o% u0 R6 l3 _: D! s1 C0 v& w! \! r) W
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。
( E4 v3 b* l* Q, I# h* d9 {# [& @6 ?) x3 p
3、混和型歧义6 ^+ ?# D. c0 a6 @9 c8 K3 w1 d, [
" G) W3 A5 b" P0 |# ]9 t 混和型歧义是包含交集型歧义和组合型歧义的切分歧义。
8 p: [4 R5 K: u- E% Z/ } z2 V1 y9 H# ]7 c' V
目前解决这些问题主要通过字典和统计学的方法。
* N7 E0 c' E9 P# {, S% [
$ s, d9 U, _ o2 y 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 A$ q7 f( c7 f% x" [, m8 a! v7 n# m) X p
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。
: Z( @- J) R2 E& a4 g0 N
( C, [ ~( Q: B3 S: r9 c" T 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。
4 I* |# t* q$ _0 e1 b |
|
