|
|
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。; C4 E6 ~8 V; _4 ]- ?, Q- b
1 T/ D2 r) |! u+ O) ] 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。
) C' ?3 R% Z" j 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。
& I. S, ^ M! C/ z7 n$ L( s, ~ 1、交集型歧义4 K, D7 Y5 o+ J4 t
) G# F/ z0 s, E" _8 ? g. X: O 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。4 ?& L; q' e( n2 g
2 n& V2 y- U+ N3 t% t 2、组合型歧义9 a# U0 e3 C1 e. M q
. l, B3 w9 J. Q) Y5 h% ~( o; C& Z3 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。6 t3 x& s: }( r% j( I
7 [9 }" j) z/ i. y+ g
3、混和型歧义
# x: O. i* S2 e0 b+ V0 n7 l
0 J I0 u5 ~" L" G3 L- {( n 混和型歧义是包含交集型歧义和组合型歧义的切分歧义。
' B1 \" P$ Q3 \' W* M4 G' t/ q0 Z, D
% k# v7 T3 h* ~- c8 z, s0 b 目前解决这些问题主要通过字典和统计学的方法。; ^6 |" u3 w) f8 Y3 k
% D( a7 l. T9 ~: E' {% X/ 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。
2 L( [8 ]- w9 s# j- n; r2 ?( ~' N5 }; y F+ Y
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。
' p& \) q k0 A5 _) [) ?
8 s# M$ r# _* ~' { U$ ~' m 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。
( b& R' K2 [ U; D |
|
