• 您的位置：創(chuàng)新互聯(lián) >> 網(wǎng)站優(yōu)化 >> 網(wǎng)站優(yōu)化基礎(chǔ)知識 >> 百度的三種中文分詞技術(shù)

百度的三種中文分詞技術(shù)

• 作者：作者：王虎 文章來源：網(wǎng)站優(yōu)化 點(diǎn)擊數(shù)：870 更新時(shí)間：2009-1-12
• 中文分詞技術(shù)是搜索引擎對于用戶提交查詢的關(guān)鍵詞，搜索引擎用中文分詞把詞按照一定的規(guī)格，將一個(gè)長尾詞分割成幾個(gè)部分，從而概括一段話的主要內(nèi)容，讓用戶能更快速度的找到想要的內(nèi)容。
  中國IDC圈7月21日消息：中文分詞技術(shù)是搜索引擎對于用戶提交查詢的關(guān)鍵詞，搜索引擎用中文分詞把詞按照一定的規(guī)格，將一個(gè)長尾詞分割成幾個(gè)部分，從而概括一段話的主要內(nèi)容，讓用戶能更快速度的找到想要的內(nèi)容。
  搜索引擎最常用的幾種分詞方法有三種：
  一、字符串匹配的方法；（字符串匹配的分詞一般為3種：1.正向最大匹配法；2.逆向最大匹配法；3.最少切分）
  二、理解分詞方法；
  三、統(tǒng)計(jì)分詞方法。
  字符串匹配方法：在百度中搜索“我喜歡玩寵物連連看”而在百度排名第一位的是以標(biāo)題和搜索的長尾詞相符合，說明在網(wǎng)站條件相當(dāng)?shù)那闆r下，先顯示標(biāo)題匹配的網(wǎng)頁。這樣文章標(biāo)題中的長尾是在排名中非常重要的。而在百度第二頁“我喜歡玩寵物連連看”用百度快照查看，很顯然長尾詞已經(jīng)被分成“我喜歡，玩，寵物連連看”而在外后已經(jīng)被分成：“我，喜歡玩，寵物，連連看”，這種匹配方法是最少切分方式。
  理解分詞方法：當(dāng)輸入的字符串中包含≤3個(gè)中文字符的話百度分詞就會直接接到數(shù)據(jù)庫索引詞匯；而當(dāng)字符串長度》4個(gè)中文字符的時(shí)候，百度中分詞會會把這個(gè)詞分成若干個(gè)字符。如：百度搜索“電動(dòng)車”。
  統(tǒng)計(jì)分詞方法：相鄰的字同時(shí)出現(xiàn)的次數(shù)越多，中文分詞就會可能把出現(xiàn)相鄰的字當(dāng)成你一個(gè)詞。例如在百度中輸入一個(gè)字符“網(wǎng)”而在下面百度也把“網(wǎng)站”標(biāo)紅了，這樣可以看得出“網(wǎng)”與“站”這兩個(gè)字符相鄰出現(xiàn)的次數(shù)非常多，統(tǒng)計(jì)分詞已經(jīng)把“網(wǎng)站”納入了詞庫。
  對于百度中文分詞的理解：
  中文分詞中強(qiáng)調(diào)一點(diǎn)：“按照不同長度優(yōu)先匹配的情況，可以分為最大（最長）匹配和最�。ㄗ疃蹋┢ヅ洹�；長尾詞在文章中的間距也是決定文章排名的因素。如：“我喜歡玩寵物連連看”在百度第十三頁的時(shí)候已經(jīng)被分詞成“我，喜歡，玩，寵物，連連，看”
  全字匹配得到的詞的權(quán)重會高于分開的詞的權(quán)重。
  根據(jù)自己的觀察現(xiàn)在百度大部分都是使用的是正向匹配。
  百度分詞對于一句話分詞之后，還會去掉句子中的沒有意義的詞語。
• 上一篇文章：百度收錄突然減少的分析和解決辦法
  下一篇文章：百度k站恢復(fù)粗略記錄