關(guān)于百度中文分詞
了解搜索引擎分詞技術(shù)對于我們的SEO工作有著重大的意義，不管是我們的關(guān)鍵詞布局還是鏈接架構(gòu)，都跟分詞有莫大的關(guān)聯(lián)。這里蕭涵給大家談下一百度的中文分詞（當(dāng)然也不局限于百度，其他搜索引擎也是差不多的）。本文分兩個部分，首先是摘取已有的關(guān)于分詞的解釋，另外再加入我自己對分詞的擴(kuò)展思路。
什么是中文分詞？我們都知道，英文句子都是由一個一個單詞按空格分開組成，所以在分詞方面就方便多了，但我們中文是一個一個漢字連接而成，所以相對來說是比較復(fù)雜的。中文分詞指的是將一個漢語句子切分成一個一個單獨的詞，按照一定的規(guī)則重新組合成詞序列的過程。這個也稱做“中文切詞”。
分詞對于搜索引擎有著很大的作用，是文本挖掘的基礎(chǔ)，可以幫助程序自動識別語句的含義，以達(dá)到搜索結(jié)果的高度匹配，分詞的質(zhì)量直接影響了搜索結(jié)果的精確度。目前搜索引擎分詞的方法主要通過字典匹配和統(tǒng)計學(xué)兩種方法。
一、基于字典匹配的分詞方法
這種方法首先得有一個超大的字典，也就是分詞索引庫，然后按照一定的規(guī)則將待分詞的字符串與分詞庫中的詞進(jìn)行匹配，若找到某個詞語，則匹配成功，這種匹配有分以下四種方式：
1、正向最大匹配法（由左到右的方向）；
2、逆向最大匹配法（由右到左的方向）；
3、最少切分（使每一句中切出的詞數(shù)最小）；
4、雙向最大匹配法（進(jìn)行由左到右、由右到左兩次掃描）
通常，搜索引擎會采用多種方式組合使用。但這種方式也同樣給搜索引擎帶來了難道，比如對于歧義的處理（關(guān)鍵是我們漢語的博大精深啊），為了提高匹配的準(zhǔn)確率，搜索引擎還會模擬人對句子的理解，達(dá)到識別詞語的效果。基本思想就是在分詞的同時進(jìn)行句法、語義分析，利用句法信息和語義信息來處理歧義現(xiàn)象。
通常包括三個部分：分詞子系統(tǒng)、句法語義子系統(tǒng)、總控部分。在總控部分的協(xié)調(diào)下，分詞子系統(tǒng)可以獲得有關(guān)詞、句子等的句法和語義信息來對分詞歧義進(jìn)行判斷，即它模擬了人對句子的理解過程。這種分詞方法需要使用大量的語言知識和信息，當(dāng)然我們的搜索引擎也在不斷進(jìn)步。
二、基于統(tǒng)計的分詞方法
雖然分詞字典解決了很多問題，但還是遠(yuǎn)遠(yuǎn)不夠的，搜索引擎還要具備不斷的發(fā)現(xiàn)新的詞語的能力，通過計算詞語相鄰出現(xiàn)的概率來確定是否是一個單獨的詞語。所以，掌握的上下文越多，對句子的理解就越準(zhǔn)確，分詞也越精確。
舉個例子說，“搜索引擎優(yōu)化”，在字典中匹配出來可能是：搜索/引擎/優(yōu)化、搜/索引/擎/優(yōu)化，但經(jīng)過后期的概率計算，發(fā)現(xiàn)“搜索引擎優(yōu)化”在上下文相鄰出現(xiàn)的次數(shù)非常多，那么基于統(tǒng)計就會將這個詞語也加入進(jìn)分詞索引庫。關(guān)于這點我在《關(guān)于電商與圈的分詞測試》就是同樣的一個例子。
中文分詞的應(yīng)用分詞準(zhǔn)確性對搜索引擎來說十分重要，但如果分詞速度太慢，即使準(zhǔn)確性再高，對于搜索引擎來說也是不可用的，因為搜索引擎需要處理數(shù)以億計的網(wǎng)頁，如果分詞耗用的時間過長，會嚴(yán)重影響搜索引擎內(nèi)容更新的速度。因此對于搜索引擎來說，分詞的準(zhǔn)確性和速度，二者都需要達(dá)到很高的要求。
對于我們SEO從業(yè)者來說，分詞的原理和方法是必須要掌握的，這樣才能夠?qū)⑽覀兊木W(wǎng)站設(shè)計得讓搜索引擎容易確定它的主題相關(guān)性。比如我們的網(wǎng)站是關(guān)于SEO培訓(xùn)的，當(dāng)用戶在搜索這個詞語的時候，搜索引擎首先會對其進(jìn)行分詞，比如分為“SEO”和“培訓(xùn)”，然后在索引庫中進(jìn)行分別匹配。
這里還涉及到一點，也是我自己的總結(jié)，每個詞語分詞后有一個主詞和副詞，通常是優(yōu)先匹配主詞，然后再匹配副詞，比如這里顯然SEO是主詞，所以優(yōu)先去匹配這個詞語，然后是培訓(xùn)這個副詞。那么， 我們的網(wǎng)站應(yīng)該如何去布局和架構(gòu)，留給大家去思考。
原文地址：http://www.xiaohan86.com/2011061149.html
【編輯推薦】
