主頁 > 知識庫 > 百度分詞算法詳解第1/2頁

百度分詞算法詳解第1/2頁

本文通過搜索結(jié)果歸納分析+切詞通用算法分析的方式對百度預處理階段的查詢處理和中文分詞兩項技術(shù)進行了闡述、總結(jié)，如果你對數(shù)據(jù)結(jié)構(gòu)、算法有一定了解的話，理解起來會相對容易些；個人感覺，得出正向最大匹配算法不夠準確，無論是專用詞典還是普通詞典里的詞，都是有不同權(quán)重的，這根搜索頻率應該有一定關(guān)系，基于這點，在出現(xiàn)多個專用詞典里的詞時，是需要采用雙向最大匹配算法來檢測到底哪一個專有詞匯應該先被切出來，當然，這是個人猜想，有待考究。

理解分詞技術(shù)對SEO工作具有極大意義，可以從科學的角度來分析關(guān)鍵詞，并構(gòu)想關(guān)鍵詞部署策略；如果正向最大匹配算法的結(jié)論是正確的，那基本上可以斷定，切詞后的分詞的權(quán)重是按照正向排序的

我還想搞明白的是專用詞典和普通詞典，哪一個權(quán)重會更高？

以下為轉(zhuǎn)載的原文：
查詢處理以及分詞技術(shù)
隨著搜索經(jīng)濟的崛起，人們開始越加關(guān)注全球各大搜索引擎的性能、技術(shù)和日流量。作為企業(yè)，會根據(jù)搜索引擎的知名度以及日流量來選擇是否要投放廣告等；作為普通網(wǎng)民，會根據(jù)搜索引擎的性能和技術(shù)來選擇自己喜歡的引擎查找資料；作為技術(shù)人員，會把有代表性的搜索引擎作為研究對象。搜索引擎經(jīng)濟的崛起，又一次向人們證明了網(wǎng)絡所蘊藏的巨大商機。網(wǎng)絡離開了搜索將只剩下空洞雜亂的數(shù)據(jù)，以及大量等待去費力挖掘的金礦。
但是，如何設(shè)計一個高效的搜索引擎？我們可以以百度所采取的技術(shù)手段來探討如何設(shè)計一個實用的搜索引擎。搜索引擎涉及到許多技術(shù)點，比如查詢處理，排序算法，頁面抓取算法，CACHE機制，ANTI-SPAM等等。這些技術(shù)細節(jié)，作為商業(yè)公司的搜索引擎服務提供商比如百度，GOOGLE等是不會公之于眾的。我們可以將現(xiàn)有的搜索引擎看作一個黑盒，通過向黑盒提交輸入，判斷黑盒返回的輸出大致判斷黑盒里面不為人知的技術(shù)細節(jié)。
查詢處理與分詞是一個中文搜索引擎必不可少的工作，而百度作為一個典型的中文搜索引擎一直強調(diào)其“中文處理”方面具有其它搜索引擎所不具有的關(guān)鍵技術(shù)和優(yōu)勢。那么我們就來看看百度到底采用了哪些所謂的核心技術(shù)。
我們分兩個部分來講述：查詢處理/中文分詞。
一、查詢處理
用戶向搜索引擎提交查詢，搜索引擎一般在接受到用戶查詢后要做一些處理，然后在索引數(shù)據(jù)庫里面提取相關(guān)的信息。那么百度在接受到用戶查詢后做了些什么工作呢？
1、假設(shè)用戶提交了不只一個查詢串，比如“信息檢索理論工具”。那么搜索引擎首先做的是根據(jù)分隔符比如空格，標點符號，將查詢串分割成若干子查詢串，比如上面的查詢就會被解析為：三個子字符串；這個道理簡單，我們接著往下看。
2、假設(shè)提交的查詢有重復的內(nèi)容，搜索引擎怎么處理呢？比如查詢“理論工具理論”，百度是將重復的字符串當作只出現(xiàn)過一次，也就是處理成等價的“理論工具”，而GOOGLE顯然是沒有進行歸并，而是將重復查詢子串的權(quán)重增大進行處理。那么是如何得出這個結(jié)論的呢？我們可以將“理論工具”提交給百度，返回341,000篇文檔，大致看看第一頁的返回內(nèi)容。
OK。繼續(xù)，我們提交查詢“理論工具理論”，在看看返回結(jié)果，仍然是那么多返回文檔，當然這個不能說明太多問題，那看看第一頁返回結(jié)果的排序，看出來了嗎？順序完全沒有變化，而 GOOGLE 則排序有些變動，這說明百度是將重復的查詢歸并成一個處理的，而且字符串之間的先后出現(xiàn)順序基本不予考慮（GOOGLE是考慮了這個順序關(guān)系的）。
3、假設(shè)提交的中文查詢包含英文單詞，搜索引擎是怎么處理的？比如查詢”電影BT下載”，百度的方法是將中文字符串中的英文當作一個整體保留，并以此為斷點將中文切分開，這樣上述的查詢就切為，不論中間的英文是否一個字典里能查到的單詞也好，還是隨機的字符也好，都會當作一個整體來對待。至于為什么，你用查詢 “電影dfdfdf下載”看看結(jié)果就知道了。當然如果查詢中包含數(shù)字，也是如此辦理。
到目前為止，一切很簡單，也很清楚，百度怎么處理用戶查詢的呢？歸納如下：首先根據(jù)分割符號將查詢分開，然后看看是否有重復的字符串，如果有，就拋棄多余的，只保留一個，接著判斷是否有英文或者數(shù)字，如果有的話，把英文或者數(shù)字當作一個整體保留并把前后的中文切開。
接著該干什么呢？該考慮分詞的問題了。
二、中文分詞
首先，講講百度的分詞時機或者條件問題，是否是個中文字符串百度就拿來切一下呢？非也，要想被百度的分詞程序榮幸的切割一下也是要講條件的，哪能是個字符串就切割??？你當百度是賣鋸條的么？
那么什么樣的字符串才滿足被切割的條件呢？簡單說來，如果字符串只包含小于等于3個中文字符的話，那就保留不動，當字符串長度大于4個中文字符的時候，百度的分詞程序才出馬大干快上，把這個字符串肢解掉。
怎么證明呢？我們向百度提交“電影下載”，看看返回結(jié)果中標為紅字的地方，不難看出來，查詢已經(jīng)被切割成兩個單詞了，說明分詞程序已經(jīng)開工了，如果是比4個中文字符更長的字符串，那分詞程序就更不客氣了，一定大卸八塊而后快。我們來看看三個字符的情況，提交查詢“當然擇”，看起來這個查詢不倫不類，那是因為我希望看到這個字符串被切分為，返回結(jié)果365篇相關(guān)頁面，翻到最后一頁，發(fā)現(xiàn)標紅的關(guān)鍵字都是” 當然擇”連續(xù)出現(xiàn)的情況，好像沒有切分，但是還不確定，那么再提交人工分好的查詢“當然擇”看看，返回結(jié)果1，090，000篇，基本上可以確定沒有進行分詞了，當然另外一種解釋是：對于三個字符先切分，然后將切分后的結(jié)果當作一個短語查詢，這樣看到的效果和沒有切分是相似的。
但是我傾向于判斷百度對于少于3個字符的串沒有切分，奧卡姆不是說了么“如無必要，勿增實體”，干嗎做無用功呢。那么如果沒有切分，會有一個隨之而來的問題，怎么從索引庫里面提取未切分的字符串呢？這牽扯到索引的問題，我覺得百度應該采取了兩套索引機制，一種是按照單詞索引，一種是按照N-GRAM索引，至于索引的具體問題，以后在詳細論述。
下面我們看看百度是采取的何種分詞算法，現(xiàn)在分詞算法已經(jīng)算是比較成熟了，有簡單的有復雜的，比如正向最大匹配，反向最大匹配，雙向最大匹配，語言模型方法，最短路徑算法等等，有興趣的可以用GOOGLE去搜索一下以增加理解。這里就不展開說了。但是要記住一點的是：判斷一個分詞系統(tǒng)好不好，關(guān)鍵看兩點，一個是消除歧義能力；一個是詞典未登錄詞的識別比如人名，地名，機構(gòu)名等。
那么百度用的是什么方法？我的判斷是用雙向最大匹配算法。至于怎么推理得出的，讓我們一步步來看。當然，這里首先有個假設(shè)，百度不會采取比較復雜的算法，因為考慮到速度問題。
我們提交一個查詢“毛澤東北京華煙云”，又一個不知所云的查詢，盡管不知所云但是自有它的道理，我想看看百度的分詞是如何消歧以及是否有詞典未登錄詞的識別的功能，如果是正向最大匹配算法的話，那么輸出應該是：”毛澤東/北京/華/煙云”，如果是反向最大匹配算法的話，那么輸出應該是：”毛/澤/東北/京華煙云”，我們看看百度的分詞結(jié)果：”毛澤東/北/京華煙云”，一個很奇怪的輸出，跟我們的期望相差較多，但是從中我們可以獲得如下信息：百度分詞可以識別人名，也可以識別”京華煙云”，這說明有詞典未登錄詞的識別的功能，我們可以假設(shè)分詞過程分為兩個階段：第一階段，先查找一個特殊詞典，這個詞典包含一些人名，部分地名以及一些普通詞典沒有的新詞，這樣首先將”毛澤東”解析出來，剩下了字符串”北京華煙云”，而”北/京華煙云”，可以看作是反向最大匹配的分詞結(jié)果。這樣基本說得通。為了證明這一點，我們提交查詢”發(fā)毛澤東北”，我們期望兩種分詞結(jié)果，一個是正向最大匹配，一個是上述假設(shè)的結(jié)果，事實上百度輸出是第二種情況，這樣基本能確定百度分詞采取了至少兩個詞典，一個是普通詞典，一個是專用詞典（人名等）。而且是專用詞典先切分，然后將剩余的片斷交由普通詞典來切分。
繼續(xù)測驗，提交查詢“古巴比倫理”，如果是正向最大匹配，那么結(jié)果應該是，如果是反向最大匹配，那么結(jié)果應該是，事實上百度的分詞結(jié)果是，從這個例子看，好像用了正向最大匹配算法；此外還有一些例子表明好像是使用正向最大匹配的；但是且慢，我們看這個查詢“北京華煙云”，正向最大匹配期望的結(jié)果是，而反向最大匹配期望的結(jié)果是，事實上百度輸出的是后者，這說明可能采用的反向最大匹配；從這點我們可以猜測百度采用的是雙向最大匹配分詞算法，如果正向和反向匹配分詞結(jié)果一致當然好辦，直接輸出即可；但是如果兩者不一致，正向匹配一種結(jié)果，反向匹配一種結(jié)果，此時該如何是好呢？
從上面兩個例子看，在這種情況下，百度采取最短路徑方法，也就是切分的片斷越少越好，比如和相比選擇后者，和相比選擇后者。還有類似的一些例子，這樣基本可以解釋這些輸出結(jié)果。
但是仍然遺留的問題是：如果正向反向分詞不一致，而且最短路徑也相同，那怎么辦？輸出正向的還是反向的結(jié)果？
我們再來看一個例子。提交查詢“遙遠古古巴比倫”，這個查詢被百度切分為，說明詞典里面有”巴比倫”，但是是否有”古巴比倫”這個詞匯不確定，此時看不出是正向切分還是反向切分得出的結(jié)果，換查詢?yōu)椤斑b遠古巴比倫”，此時被切分為“遙遠/古巴比倫”，這說明詞典里面有”古巴比倫”這個詞匯，這說明了“遙遠古古巴比倫”是正向最大匹配的結(jié)果。那為什么“遙遠古古巴比倫”不會被反向切分為”遙/遠古/古巴比倫”呢，百度的可能選擇是這種情況下選擇單字少的那組切分結(jié)果。
當然還可以繼續(xù)追問：如果切分后單字也一樣多，那怎么辦？最后看一個例子，查詢“王強大?。骸保俣葘⑵淝蟹譃椤巴?強大/小”，是正向切分的結(jié)果，如果是反向的會被切分為“王/強/大小”，這說明有歧義而且單字也相同則選擇正向切分結(jié)果。
OK，看到這里可能頭已經(jīng)有些暈了，最后總結(jié)一下百度的分詞算法，當然里面還是有猜測的成分，算法如下：
首先查詢專用詞典（人名，部分地名等），將專有名稱切出，剩下的部分采取雙向分詞策略，如果兩者切分結(jié)果相同，說明沒有歧義，直接輸出分詞結(jié)果。如果不一致，則輸出最短路徑的那個結(jié)果，如果長度相同，則選擇單字詞少的那一組切分結(jié)果。如果單字也相同，則選擇正向分詞結(jié)果。
百度一直宣傳自己在中文處理方面的優(yōu)勢，從上面看，分詞算法并無特殊之處，消歧效果并不理想，即使百度采取比上述分詞算法復雜些的算法也難以說成是優(yōu)勢，如果說百度有優(yōu)勢的話，唯一的優(yōu)勢就是那個很大的專用詞典，這個專用詞典登錄了人名（比如大長今），稱謂（比如老太太），部分地名（比如阿聯(lián)酋等），估計百度采用學術(shù)界公布的比較新的命名實體識別算法從語料庫里面不斷識別出詞典未登錄詞，逐漸擴充這個專門詞典。如果這就是優(yōu)勢的話，那么這個優(yōu)勢能夠保持多久就是個很明顯的問題。
Spelling Checker拼寫檢查錯誤提示(以及拼音提示功能)
　　
拼寫檢查錯誤提示是搜索引擎都具備的一個功能,也就是說用戶提交查詢給搜索引擎,搜索引擎檢查看是否用戶輸入的拼寫有錯誤,對于中文用戶來說一般造成的錯誤是輸入法造成的錯誤.那么我們就來分析看看百度是怎么實現(xiàn)這一功能的.
我們分析拼寫檢查系統(tǒng)關(guān)注以下幾個問題:
(1)系統(tǒng)如何判斷用戶的輸入是有可能發(fā)生錯誤的查詢呢?
(2)如果判斷是可能錯誤的查詢輸入,如何提示正確的詞匯呢?
　　
那么百度是如何做的呢?百度判斷用戶輸入是否錯誤的標準,我覺得應該是查字典,如果發(fā)現(xiàn)字典里面不包含這個詞匯,那么很有可能是個錯誤的輸入,此時啟動錯誤提示功能,這個很好判斷,因為如果是一個正常詞匯的話,百度一般不會有錯誤提示,而你故意輸入一個詞典不可能包含的所謂詞匯,此時百度一般會提示你正確的檢索詞匯.
那么百度是怎么提示正確詞匯的呢?很明顯是通過拼音的方式,比如我輸入查詢

12下一頁閱讀全文

標簽：賀州黃山湘潭煙臺通遼懷化山南湖北

巨人網(wǎng)絡通訊聲明：本文標題《百度分詞算法詳解第1/2頁》，本文關(guān)鍵詞；如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題，煩請?zhí)峁┫嚓P(guān)信息告之我們，我們將及時溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡，涉及言論、版權(quán)與本站無關(guān)。

佳木斯湛栽影视文化发展公司

百度分詞算法詳解第1/2頁

QQ咨詢

電話咨詢