[發(fā)明專利]基于旅游業(yè)特征詞庫(kù)的中文分詞方法

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 201010287533.4
• 申請(qǐng)日: 2010-09-20
• 公開(kāi)（公告）號(hào): CN102411568A
• 公開(kāi)（公告）日: 2012-04-11
• 發(fā)明（設(shè)計(jì)）人: 吳志祥;張海龍;馬和平;王專;吳劍;郭鳳林;靳彩娟
• 申請(qǐng)（專利權(quán)）人: 蘇州同程旅游網(wǎng)絡(luò)科技有限公司
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30
• 代理公司: 南京蘇科專利代理有限責(zé)任公司 32102
• 代理人: 陳忠輝

技術(shù)領(lǐng)域

本發(fā)明涉及一種中文分詞方法，尤其涉及一種基于旅游業(yè)特征詞庫(kù)的中文分詞方法。

背景技術(shù)

伴隨信息的快速增長(zhǎng)，人們想準(zhǔn)確找到對(duì)自己有用的信息變得很困難，使搜索引擎成為人們查找信息的首選工具，谷歌、百度是大家共知的全文搜索引擎。隨著搜索市場(chǎng)價(jià)值的不斷增加，人們對(duì)信息準(zhǔn)確性、實(shí)用性的要求越來(lái)越高，全文搜索引擎已經(jīng)不能滿足人們的需求，隨之而來(lái)的垂直搜索引擎越來(lái)越受到人們的喜愛(ài)，垂直搜索專注于特定的搜索領(lǐng)域和搜索需求(例如：酒店搜索、旅游搜索、火車票搜索等等)，在其特定的搜索領(lǐng)域有更好的用戶體驗(yàn)。垂直搜索需要的硬件成本低、用戶需求特定、查詢的方式多樣。目前在中文搜索引擎領(lǐng)域，國(guó)內(nèi)的搜索引擎已經(jīng)和國(guó)外的搜索引擎效果上相差不遠(yuǎn)。之所以能形成這樣的局面，有一個(gè)重要的原因就在于中文和英文兩種語(yǔ)言自身的書(shū)寫(xiě)方式不同，這其中對(duì)于計(jì)算機(jī)涉及的就是中文分詞技術(shù)。

什么是中文分詞

英文是以詞為單位的，詞和詞之間是靠空格隔開(kāi)，而中文是以字為單位，句子中所有的字連起來(lái)才能描述一個(gè)意思。例如，英文句子I?am?astudent，用中文則為：“我是一個(gè)學(xué)生”。計(jì)算機(jī)可以很簡(jiǎn)單通過(guò)空格知道student是一個(gè)單詞，但是不能很容易明白“學(xué)”、“生”兩個(gè)字合起來(lái)才表示一個(gè)詞。把中文的漢字序列切分成有意義的詞，就是中文分詞。我是一個(gè)學(xué)生，分詞的結(jié)果是：我/是/一個(gè)/學(xué)生。

中文分詞和搜索引擎

中文分詞到底對(duì)搜索引擎有多大影響？對(duì)于搜索引擎來(lái)說(shuō)，最重要的并不是找到所有結(jié)果，因?yàn)樵诖髷?shù)據(jù)量下面所有結(jié)果沒(méi)有太多的意義，沒(méi)有人能看得完，最重要的是把最相關(guān)的結(jié)果排在最前面，展示給用戶，這也稱為相關(guān)度排序。中文分詞的準(zhǔn)確與否，常常直接影響到對(duì)搜索結(jié)果的相關(guān)度排序。

中文分詞技術(shù)

中文分詞技術(shù)屬于自然語(yǔ)言處理技術(shù)范疇，對(duì)于一句話，人可以通過(guò)自己的知識(shí)來(lái)明白哪些是詞，哪些不是詞，但如何讓計(jì)算機(jī)也能理解？其處理過(guò)程就是分詞算法。

現(xiàn)有的分詞算法可分為三大類：基于字符串匹配的分詞方法、基于理解的分詞方法和基于統(tǒng)計(jì)的分詞方法。

1、基于字符串匹配的分詞方法

這種方法又叫做機(jī)械分詞方法，它是按照一定的策略將要分析的漢字串與一個(gè)“充分大的”機(jī)器詞庫(kù)中的詞語(yǔ)進(jìn)行匹配，若在詞庫(kù)中找到某個(gè)字符串，則匹配成功(識(shí)別出一個(gè)詞)。按照掃描方向的不同，串匹配分詞方法可以分為正向匹配和逆向匹配；按照不同長(zhǎng)度優(yōu)先匹配的情況，可以分為最大(最長(zhǎng))匹配和最小(最短)匹配。常用的幾種機(jī)械分詞方法如下：

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(使每一句中切出的詞數(shù)最小)。

2、基于理解的分詞方法

這種分詞方法是通過(guò)讓計(jì)算機(jī)模擬人對(duì)句子的理解，達(dá)到識(shí)別詞的效果。其基本思想是在分詞的同時(shí)進(jìn)行句法、語(yǔ)義分析，利用句法信息和語(yǔ)義信息來(lái)處理歧義現(xiàn)象。

3、基于統(tǒng)計(jì)的分詞方法

詞是穩(wěn)定的字的組合，因此在上下文中，相鄰的字同時(shí)出現(xiàn)的次數(shù)越多，就越有可能構(gòu)成一個(gè)詞。因此字與字相鄰共現(xiàn)的頻率或概率能夠較好的反映成詞的可信度?？梢詫?duì)語(yǔ)料中相鄰共現(xiàn)的各個(gè)字的組合的頻度進(jìn)行統(tǒng)計(jì)，計(jì)算它們的互現(xiàn)信息。定義兩個(gè)字的互現(xiàn)信息，計(jì)算兩個(gè)漢字X、Y的相鄰共現(xiàn)概率?；ガF(xiàn)信息體現(xiàn)了漢字之間結(jié)合關(guān)系的緊密程度。當(dāng)緊密程度高于某一個(gè)閾值時(shí)，便可認(rèn)為此字組可能構(gòu)成了一個(gè)詞。這種方法只需對(duì)語(yǔ)料中的字組頻度進(jìn)行統(tǒng)計(jì)，不需要切分詞庫(kù)，因而又叫做無(wú)詞庫(kù)分詞法或統(tǒng)計(jì)取詞方法。

分詞中的難題

1、歧義識(shí)別

歧義是指同樣的一句話，可能有兩種或者更多的切分方法。例如：表面的，因?yàn)椤氨砻妗焙汀懊娴摹倍际窃~，那么這個(gè)短語(yǔ)就可以分成“表面的”和“表面的”。這種稱為交叉歧義。

交叉歧義相對(duì)組合歧義來(lái)說(shuō)是還算比較容易處理，組合歧義就必需根據(jù)整個(gè)句子來(lái)判斷了。例如，在句子“這個(gè)門把手壞了”中，“把手”是個(gè)詞，但在句子“請(qǐng)把手拿開(kāi)”中，“把手”就不是一個(gè)詞；在句子“將軍任命了一名中將”中，“中將”是個(gè)詞，但在句子“產(chǎn)量三年中將增長(zhǎng)兩倍”中，“中將”就不再是詞。這些詞計(jì)算機(jī)又如何去識(shí)別？