搜索引擎的中文分詞技術(shù)詳細(xì)分析

搜索引擎的中文分詞技術(shù)詳細(xì)分析

首先我們看下下面這個句子“上海奇商是上海地區(qū)最優(yōu)秀的企業(yè)SEO咨詢公司嗎？”當(dāng)搜索引擎(以后一律建成SE)讀到上面這句話的時候會進行第一次切詞，結(jié)果如下：上、海、奇、商、是、地、區(qū)、最、優(yōu)、秀、的、企、業(yè)、S、E、O、咨、詢、公、司、嗎注意上面是20個中文漢字和3個英文字母，而第一次分詞的結(jié)果是將“上”、“?！眱蓚€重復(fù)的關(guān)鍵詞去掉了。這種切詞就是簡單的單字法。當(dāng)然搜索引擎不是傻瓜，不會只利用這么一種簡單的分詞方法。接著，搜索引擎進行二分法分詞，結(jié)果如下：上海、海奇、奇商、商是、是上、海地、地區(qū)、區(qū)最、最優(yōu)、優(yōu)秀、秀的、的企、企業(yè)、業(yè)S、SE、EO、O咨、咨詢、詢公、公司、司嗎注意上面的傷害出現(xiàn)了兩次，也只算做一個詞，因為他們的確是一個詞，第一個“上?！焙椭虚g的“上?！睕]有什么差別。這只是第二次分詞，接著會有三分法分詞和四分法分詞?；蛟S有SEO要問，這樣分出來的詞搜索引擎有什么用？不著急，我們還沒講到下面。其次，SE針對這些詞進行篩選，怎樣篩選呢？我們都知道中文的很多詞，像“的”“了”“啊”“嗎”“在”等幾乎每篇文章都會用到，這些詞要是SE全部收錄的話，那估計數(shù)據(jù)庫早就放不下了，因為百度目前收錄的16億網(wǎng)頁幾乎每個網(wǎng)頁都有這些詞，這么浩大的工程，SE肯定忙不過來，即使忙過來，也很少有人去搜索“啊”這樣無意義的關(guān)鍵詞。所以SE將這些詞定義為停止關(guān)鍵詞，也就是英文里面提到的“stopword”。只要是停止關(guān)鍵詞都會被刪除的?；蛟S又有SEO開始提問了，那么“是上”這樣的關(guān)鍵詞難道也被分成一個詞？不要著急，下面還有更精彩的。忽略掉停止關(guān)鍵詞后，剩下的關(guān)鍵詞開始跟SE的詞庫進行匹配，原始的詞庫可能只有辭海那些基礎(chǔ)的關(guān)鍵詞，但是隨著互聯(lián)網(wǎng)的發(fā)展新詞的產(chǎn)生，SE的詞庫遠遠大于辭海。后面會詳細(xì)解釋。這樣像“上?！?、“地區(qū)”、“優(yōu)秀”、“企業(yè)”、“咨詢”、“公司”等我們自己都知道肯定屬于辭海的關(guān)鍵詞，肯定也屬于SE的詞庫。這里有些SEO開始問，那么像“SEO”這樣的詞SE是怎樣判斷的呢？如果大家去看下在微軟必應(yīng)搜索”SEO”時候推薦的關(guān)鍵詞就能看到，他們和百度、谷歌一樣，原來都是解決不掉這個問題的，推薦的關(guān)鍵詞一律為“色哦”。那么后來他們是怎么分析出來這個關(guān)鍵詞的呢？這個就要靠SE強大的統(tǒng)計功能了，當(dāng)SE發(fā)現(xiàn)有大量用戶搜索“SEO”這個關(guān)鍵詞的時候，他們就會將這個關(guān)鍵詞添加到詞庫。這個時候一個新詞就產(chǎn)生了。當(dāng)然還有這種情況是百度貼吧之父俞軍和百度CEO李彥宏都向往的一種分詞方法，即理解，理解的意思就是我們在搜索“上海最好的SEO公司”的時候，SE能夠理解用戶要找的是什么信息，他會發(fā)現(xiàn)用戶最在乎的是