阿里裝修托管
微信人工客服 |
查詢處理以及分詞技術(shù)
隨著搜索經(jīng)濟(jì)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(jì)的崛起，又一次向人們證明了網(wǎng)絡(luò)所蘊藏的巨大商機(jī)。網(wǎng)絡(luò)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(jī)制，ANTI-SPAM等等。這些技術(shù)細(xì)節(jié)，作為商業(yè)公司的搜索引擎服務(wù)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(xì)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(qiáng)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(biāo)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：《信息檢索，理論，工具》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(fù)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(fù)的字符串當(dāng)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(jìn)行歸并，而是將重復(fù)查詢子串的權(quán)重增大進(jìn)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(dāng)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(fù)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(dāng)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《電影，BT，下載》，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(jī)的字符也好，都會當(dāng)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(dāng)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(fù)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(dāng)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(jī)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啊？你當(dāng)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(dāng)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(biāo)為紅字的地方，不難看出來，查詢已經(jīng)被切割成《電影，下載》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(dāng)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《當(dāng)然，擇》，返回結(jié)果365篇相關(guān)頁面，翻到最后一頁，發(fā)現(xiàn)標(biāo)紅的關(guān)鍵字都是” 當(dāng)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(dāng)然 擇”看看，返回結(jié)果1，090，000篇，基本上可以確定沒有進(jìn)行分詞了，當(dāng)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(dāng)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(yīng)該采取了兩套索引機(jī)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(xì)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(fù)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(jī)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(dāng)然，這里首先有個假設(shè)，百度不會采取比較復(fù)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(yīng)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(yīng)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《發(fā)毛，澤，東北》， 一個是上述假設(shè)的結(jié)果《發(fā)，毛澤東，北》，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(yīng)該是《古巴比倫，理》，如果是反向最大匹配，那么結(jié)果應(yīng)該是《古 巴，比，倫理》，事實上百度的分詞結(jié)果是《古巴比倫，理》，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《北京，華，煙云》，而反向最大匹配期望的結(jié)果是 《北，京華煙云》，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(dāng)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《古巴，比，倫理》和《古巴比倫，理》相比選擇后者，《北 京，華，煙云》和《北，京華煙云》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(yuǎn)古古巴比 倫”，這個查詢被百度切分為《遙遠(yuǎn)，古古，巴比倫》，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(yuǎn)古巴比倫”，此時被切分為“遙遠(yuǎn)/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(yuǎn)古古巴比 倫”是正向最大匹配的結(jié)果。那為什么“遙遠(yuǎn)古古巴比倫”不會被反向切分為”遙/遠(yuǎn)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(dāng)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(qiáng)大小：”，百度將其切分為“王/強(qiáng)大/小”，是正向切分的結(jié)果，如果是反向的會被切分為“王/強(qiáng)/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(dāng)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(fù)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(xué)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(kuò)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(biāo)準(zhǔn)，我覺得應(yīng)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“ 制才”，百度提供的提示詞匯為： “：制裁 質(zhì)材 紙材“，都是同 音字。所以百度必然維持著一個同音詞詞典，里面保留著同音詞信息，比如可能包含著下面這條詞條： “ zhi cai à制裁，質(zhì)材，紙材”，另外還有一 個標(biāo)注拼音程序，現(xiàn)在能夠看到的基本流程是： 用戶輸入“ 制才”，查詞典，發(fā)現(xiàn)沒有這個詞匯，OK，啟動標(biāo)注拼音程序，將“ 制才”標(biāo)注為拼音“zhi cai”，然后查找同音詞詞典，發(fā)現(xiàn)同音詞“ 制裁，質(zhì)材，紙材”，那么提示用戶可能的正確拼寫。
整體流程看起來很簡單，但是還有一些遺留 的小問題，比如是否將詞表里面所有同音詞都作為用戶的提示信息呢？比如某個拼音有10個同音詞，是否都輸出呢？百度并沒有將所有同音詞都輸 出而是選擇一定篩選標(biāo)準(zhǔn)，選擇其中幾個輸出。怎么證明這一點？我們看看拼音“l(fā)iu li”的同音詞，紫光輸入法提示同音詞匯有“ 流麗 流離 琉璃 流利”4個，我們看看百度返回幾個，輸入“流厲”作為查詢，這里是故意輸入一個詞典不包含的詞匯，這樣百度的拼寫檢查才開始工作，百度提示： “ 琉璃劉麗 劉莉 ”，這說明什么？說明不是所有同音詞都輸出，而是選擇輸出，那么選擇的標(biāo)準(zhǔn)是什么？我能夠猜測到的方法是對于用戶查詢LOG進(jìn)行 統(tǒng)計，提取用戶查詢次數(shù)多的那些同音詞輸出，如果是這樣的話，上面的例子說明用戶搜索“琉璃”次數(shù)比其它的都要高些，次之是“ 劉麗”，再次是“ 劉莉”，看來大家都喜歡查詢自己或者認(rèn)識的人的名字。
另外一個小問題：同音詞詞典包含2字詞，3字詞，那么是否包含4字詞以及更長的詞 條？是否包含一字詞？ 這里一字詞好回答，不用測試也能知道肯定不包含，因為你輸入一個字，誰知道是否是錯誤的呢？反正只要是漢字就能在詞表 里面找到，所以沒有判斷依據(jù)。二字詞是包含的，上面有例子，三字詞也包含，比如查詢 “中城藥”百度錯誤提示：“中成藥”，修改查詢?yōu)椤爸爻撬帯保€ 是提示“中成藥” ，再次修改查詢 “重城要”，百度依然提示“中成藥”。 那么4字詞匯呢？
百度還是會給你提示的，下面是個例子：
輸入：靜華煙云 提示 京華煙云
輸入：靜話煙云 提示 京華煙云
輸入：靜話閻暈 提示 京華煙云
那么更長的詞匯是否提 示呢？也提示，比如我輸入： “落花世界有風(fēng)軍”，這個查詢是什么意思，估計讀過古詩的都知道，看看百度的提示“落花時節(jié)又逢君”，這說明什么？說 明同音詞詞典包含不同長度的同音詞信息，另外也說明了百度的核心中文處理技術(shù)，也就是那個詞典，還真挺大的。
但是，如果用戶輸入的 查詢由兩個或者兩個以上子字符串構(gòu)成，那么百度的錯誤提示功能就罷工了，比如輸入查詢“哀體”，百度提示“艾提 挨踢”，但是。輸入為 “我 哀體 ”，則沒有任何錯誤提示。
還有一個比較重要的問題：如果漢字是多音字那么怎么處理？百度呢比較偷懶，它根本就沒有對多音字做處理。我 們來看看百度的一個標(biāo)注拼音的錯誤，在看這個錯誤前先看看對于多音字百度是怎么提示錯誤的，我們輸入查詢“俱長”，百度提示“劇場 局長”， “俱長“的拼音有兩個：”ju zhang /ju chang“ ，可見如果是多音字則幾種情況都提示。.現(xiàn)在我們來看看錯誤的情況， 我們輸入查詢”劇常“，百度 提示”：劇場局長“，提示為”劇場“當(dāng)然好解釋，因為是同音字，但是為什么 ”局長“也會被提示呢？這說明百度的同音字詞典有錯誤，說明在”ju chang“這個詞條里面包含”局長“這個錯誤的同音詞。讓我們順藤摸瓜，這個錯誤又說明什么問題呢？說明百度的同音詞典是自動生成的，而且沒有 人工校對。還說明在自動生成同音詞典的過程中，百度不是根據(jù)對一篇文章標(biāo)注拼音然后在抽取詞匯和對應(yīng)的拼音信息獲得的，而是完全按照某個 詞典的詞條來標(biāo)注音節(jié)的，所以對于多音字造成的錯誤無法識別出來，如果是對篇章進(jìn)行拼音標(biāo)注，可能就不會出現(xiàn)這種很容易發(fā)現(xiàn)的錯誤標(biāo)注。 當(dāng)然還有另外一種解釋，就是”局長“是故意被百度提示出來可能的正確提示詞匯，因為考慮到南方人”zh“和 ”ch“等前后鼻音分不清么，那么是這 樣的么？我們繼續(xù)測試到底是何種情況。是百度有錯誤還是這是百度的先進(jìn)的算法？
我們考慮詞匯”長大 “，故意錯誤輸入為”贓大“，如果 百度考慮到了前后鼻音的問題，那么應(yīng)該會提示”長大“，但是百度提示是”藏大“。這說明什么？說明百度并沒有考慮前后鼻音問題，根本就是系統(tǒng)錯 誤。 我們輸入查詢”懸賞“，故意將之錯誤輸入為”懸桑“，沒有錯誤提示，說明確實沒有考慮這種情況。前鼻音沒有考慮，那么后鼻音考慮了么，我們 輸入”：經(jīng)常“，故意改為后鼻音 ”經(jīng)纏“，百度提示為”經(jīng)產(chǎn) 經(jīng)懺“，還是沒有考慮后鼻音。這基本可以確定是百度系統(tǒng)的錯誤導(dǎo)致。
根據(jù)以 上推導(dǎo)， 我們可以得出如下結(jié)論：百度是將分詞詞典里面每個詞條利用拼音標(biāo)注程序標(biāo)注成拼音，然后形成同音詞詞典，所以兩個詞典是同樣大的 ，而且這個詞典也隨著分詞詞典的增長而在不斷增長。 至于標(biāo)注過程中多音字百度沒有考慮，如果是多音字就標(biāo)注成多個發(fā)音組合，通過這種方式 形成同音詞詞典。這樣的同音詞詞典顯然包含著很多錯誤。
最后一個問題：百度對于英文進(jìn)行拼寫檢查么？讓我們試試看，輸入查 詢”china“，不錯，搜到不少結(jié)果，專注中文搜索的百度還能搜索到英文，真是意外的驚喜。變換一下查詢”chine“，會更加意外驚喜的給我們提 示”china“嗎？百度提示的是： 吃呢持呢，原來是不小心觸發(fā)了百度的拼音搜索功能了。那么拼音搜索和中文檢查錯誤是否采用同一套同音詞詞典 呢，讓我們來實驗一下，搜索”rongji“，百度提示” 榕基 溶劑 容積“，OK，換個中文查詢”容機(jī)“，百度提示” 榕基 溶劑容積“，看來使用的是同一套 同音詞詞典。也就是說百度的中文糾錯和拼音檢索使用的機(jī)制相同，中文糾錯多了一道拼音注音的過程而已。難道這就是傳說中那個百度的”事實 上是一個無比強(qiáng)大的拼音輸入法“的拼音提示功能么？
最后讓我們總結(jié)歸納一下百度的拼寫檢查系統(tǒng)：
后臺作業(yè)：
（1）前面的文 章我們說過，百度分詞使用的詞典至少包含兩個詞典一個是普通詞典，另外一個是專用詞典（專名等），百度利用拼音標(biāo)注程序依次掃描所有詞典中 的每個詞條，然后標(biāo)注拼音，如果是多音字則把多個音都標(biāo)上，比如”長大“，會被標(biāo)注為”zhang da/chang da“兩個詞條。
（2）通過標(biāo)注完的 詞條，建立同音詞詞典，比如上面的”長大“，會有兩個詞條： zhang daà長大” ， chang daà長大。
（3）利用用戶查詢LOG頻率信息給予每個 中文詞條一個權(quán)重;
（4）OK，同音詞詞典建立完成了，當(dāng)然隨著分詞詞典的逐步擴(kuò)大，同音詞詞典也跟著同步擴(kuò)大;
拼寫 檢查：
（1）用戶輸入查詢，如果是多個子字符串，不作拼寫檢查;
（2）對于用戶查詢，先查分詞詞典，如果發(fā)現(xiàn)有這個單詞詞條，OK， 不作拼寫檢查;
（3）如果發(fā)現(xiàn)詞典里面不包含用戶查詢，啟動拼寫檢查系統(tǒng);首先利用拼音標(biāo)注程序?qū)τ脩糨斎脒M(jìn)行拼音標(biāo)注;
（4）對于標(biāo)注好的拼音在同音詞詞典里面掃描，如果沒有發(fā)現(xiàn)則不作任何提示;
（5）如果發(fā)現(xiàn)有詞條，則按照順序輸出權(quán)重比較大的幾個提 示結(jié)果;
拼音提示：
（1）對于用戶輸入的拼音在同音詞詞典里面掃描，如果沒有發(fā)現(xiàn)則不作任何提示;
（2）如果 發(fā)現(xiàn)有詞條，則按照順序輸出權(quán)重比較大的幾個提示結(jié)果;
上面說過，經(jīng)過分析得出百度的分詞系統(tǒng)采用雙向最大匹配分詞，但是后來發(fā)現(xiàn)推理過程中存在一個漏洞，而且推導(dǎo)出來的百度分詞算法步驟還是過于繁瑣，所以進(jìn)一步進(jìn)行分析，看看是否前面的推導(dǎo)有錯誤。
那么以前的分析有什么漏洞呢？我們推導(dǎo)百度分詞有反向最大匹配的依據(jù)是百度將“北京華煙云”分詞為《北，京華煙云》，從這里看好像采用了反向最大匹配，因為正向最大匹配的結(jié)果應(yīng)該是《北京，華，煙云》，但是由此就推論說百度采用了雙向最大匹配還是太倉促了，前面文章我們也講過，百度有兩個詞典，一個普通詞典，一個專有詞典，而且是專有詞典的詞匯先切分，然后將剩余片斷交給普通詞典去切分。所以上面的“北京華煙云”之所以被切分成《北，京華煙云》，另外一個可能是：京華煙云這個詞匯是在專有詞典里面存儲的，所以先分析，這樣得出“京華煙云”，剩下“北”，沒什么好切分的，所以輸出《北，京華煙云》。
這里只是假設(shè)，那么是否確實“京華煙云”在專有詞典呢？我們再看一個例子“山東北京華煙云”，百度切分的結(jié)果是《山東，北，京華煙云》，如果“京華煙云”在普通詞典，如果是反向切分，那么結(jié)果應(yīng)該是《山，東北，京華煙云》，如果是正向切分應(yīng)該是《山東，北京，華，煙云》，無論如何都分不出《山東，北，京華煙云》。這說明什么？說明“京華煙云”是在那個專有詞典，所以先切分出“京華煙云”，然后剩下的“山東北”交由普通詞典切分，明顯是正向最大匹配的結(jié)果輸出《山東，北》。當(dāng)然按照我們在第一篇文章的算法推導(dǎo)“山東北”的切分也會得出《山東，北》的結(jié)論，但是明顯比正向最大匹配多幾個判斷步驟，既然效果一樣，另外一個更加簡潔的方法也能說得通，那當(dāng)然選擇簡便的方法了。所以初步判斷百度采取的是正向最大匹配。
我們繼續(xù)測試采用何種分詞算法，為了減少專有詞典首先分詞造成的影響，那么查詢里面不能出現(xiàn)相對特殊的詞匯，構(gòu)筑查詢“天才能量級”，這里應(yīng)該沒有專有詞典出現(xiàn)過的詞匯，百度切分為《天才，能量，級》，看來是正向最大匹配的結(jié)果。另外，如果所有查詢詞匯都出現(xiàn)在專有詞典，那么采取的是何種方法？這樣首先就得保證詞匯都出現(xiàn)在專有詞典，這么保證這一點呢？我們構(gòu)造查詢“鋪陳曉東方”，百度切分為《鋪，陳曉東，方》，可以看出“陳曉東”是在專有詞典的所以先切分出來。另外一個例子 “山東京城”，百度切分為《山東，京城》，說明“東京”是在普通詞典的.OK，構(gòu)造查詢“陳曉東京華煙云”，通過前面分析可以看出兩個詞匯都在專有詞典里面，百度切分為《陳曉東，京華煙云》，說明對于專有詞典詞匯也是采取正向最大匹配或者雙向最大匹配。那么使用反向最大匹配了嗎？構(gòu)造查詢例子“陳曉東方不敗”，首先我們肯定“陳曉東”和“東方不敗”都是在專有詞典出現(xiàn)的，如果是正向切分，那么應(yīng)該是《陳曉東，方，不敗》或者《陳曉東，方，不，敗》如果是反向切分則是《陳，曉，東方不敗》，可以看出百度的切分是《陳曉東，方，不敗》或者《陳曉東，方，不，敗》，說明采用的是正向最大匹配。通過分析，百度的詞典不包含“不敗”這個單詞，所以實際上百度的切分結(jié)果是《陳曉東，方，不，敗》，很明顯這和我們以前推導(dǎo)的算法是有矛盾的，所以以前的分析算法確實有問題，所以結(jié)論是百度采取的是正向最大匹配算法。
重新歸納一下百度的分詞系統(tǒng)：首先用專有詞典采用最大正向匹配分詞，切分出部分結(jié)果，剩余沒有切分交給普通詞典，同樣采取正向最大匹配分詞，最后輸出結(jié)果。
另外，GOOGLE也是采用正向最大匹配分詞算法，不過好像沒有那個專用詞典，所以很多專名都被切碎了。
從這點講，GOOGLE在中文詞典構(gòu)建上比百度差些，還需要加把子力氣才行，不過這也不是什么多難的
專注設(shè)計14年
深一云服務(wù)器
拒絕不當(dāng)利
500強(qiáng)企業(yè)網(wǎng)
10000家客戶案
83位技術(shù)團(tuán)隊
只做有排名
200人服務(wù)團(tuán)隊
