中文分词技术揭秘

乐清SEO_搜索优化_ 乐清SEO2021-01-19 转载自:

了解了搜索引擎分词技术对于我们的SEO工作有着重大的意义,无论是我们网站的关键词布局还是链接架构,都跟分词技术有着莫大的关联。这里笔者给大家谈下一中文分词技术。主要分两个部分,首先是摘取已有的关于分词的解释,另外再加入我自己对分词的扩展思路。

什么是中文分词技术?

我们都知道,英文句子都是由一个一个单词按空格分开组成,所以在分词方面就方便多了,但我们中文是一个一个汉字连接而成,所以相对来说是比较复杂的。中文分词指的是将一个汉语句子切分成一个一个单独的词,按照一定的规则重新组合成词序列的过程。这个也称做“中文切词”。

分词对于搜索引擎有着很大的作用,是文本挖掘的基础,可以帮助程序自动识别语句的含义,以达到搜索结果的高度匹配,分词的质量直接影响了搜索结果的精确度。目前搜索引擎分词的方法主要通过字典匹配和统计学两种方法。

一、基于字典匹配的分词方法

这种方法首先得有一个超大的字典,也就是分词索引库,然后按照一定的规则将待分词的字符串与分词库中的词进行匹配,若找到某个词语,则匹配成功,这种匹配有分以下四种方式:

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(使每一句中切出的词数最小);

4.双向最大匹配法(进行由左到右、由右到左两次扫描)

通常,搜索引擎会采用多种方式组合使用。但这种方式也同样给搜索引擎带来了难道,比如对于歧义的处理,为了提高匹配的准确率,搜索引擎还会模拟人对句子的理解,达到识别词语的效果。基本思想就是在分词的同时进行句法、语义分析,利用句法信息和语义信息来处理歧义现象。通常包括三个部分:分词子系统、句法语义子系统、总控部分。在总控部分的协调下,分词子系统可以获得有关词、句子等的句法和语义信息来对分词歧义进行判断,即它模拟了人对句子的理解过程。这种分词方法需要使用大量的语言知识和信息,当然我们的搜索引擎也在不断进步。

二、基于统计的分词方法

虽然分词字典解决了很多问题,但还是远远不够的,搜索引擎还要具备不断的发现新的词语的能力,通过计算词语相邻出现的概率来确定是否是一个单独的词语。所以,掌握的上下文越多,对句子的理解就越准确,分词也越精确。举个例子说,“搜索引擎优化”,在字典中匹配出来可能是:搜索/引擎/优化、搜/索引/擎/优化,但经过后期的概率计算,发现“搜索引擎优化”在上下文相邻出现的次数非常多,那么基于统计就会将这个词语也加入进分词索引库。

中文分词技术的应用

分词的准确性对搜索引擎来说十分重要,但如果分词速度太慢,即使准确性再高,对于搜索引擎来说也是不可用的,因为搜索引擎需要处理数以亿计的网页,如果分词耗用的时间过长,会严重影响搜索引擎内容更新的速度。因此对于搜索引擎来说,分词的准确性和速度,二者都需要达到很高的要求。

对于我们SEO从业者来说,分词的原理和方法是必须要掌握的,这样才能够将我们的网站设计得让搜索引擎容易确定它的主题相关性。比如我们的网站是关于SEO培训的,当用户在搜索这个词语的时候,搜索引擎首先会对其进行分词,比如分为“SEO”和“培训”,然后在索引库中进行分别匹配。这里还涉及到一点,也是我自己的总结,每个词语分词后有一个主词和副词,通常是优先匹配主词,然后再匹配副词,比如这里显然SEO是主词,所以优先去匹配这个词语,然后是培训这个副词。