中文分詞
前言
信息的飛速增長，使搜索引擎成為人們查找信息的首選工具，Google、百度、yisou、中搜等大型搜索引擎一直人們討論的話題。隨著搜索市場價值的不斷增加，越來越多的公司開發出自己的搜索引擎，阿里巴巴的商機搜索、8848的購物搜索等也陸續面世，自然，搜索引擎技術也成為技術人員關注的熱點。

搜索引擎技術的研究，國外比中國要早近十年，從最早的Archie，到后來的Excite，以及altvista、overture、 google等搜索引擎面世，搜索引擎發展至今，已經有十幾年的歷史，而國內開始研究搜索引擎是在上個世紀末本世紀初。在許多領域，都是國外的產品和技術一統天下，特別是當某種技術在國外研究多年而國內才開始的情況下。例如操作系統、字處理軟件、瀏覽器等等，但搜索引擎卻是個例外。雖然在國外搜索引擎技術早就開始研究，但在國內還是陸續涌現出優秀的搜索引擎，像百度、中搜等。目前在中文搜索引擎領域，國內的搜索引擎已經和國外的搜索引擎效果上相差不遠。之所以能形成這樣的局面，有一個重要的原因就在于中文和英文兩種語言自身的書寫方式不同，這其中對于計算機涉及的技術就是中文分詞。
什么是中文分詞
眾所周知，英文是以詞為單位的，詞和詞之間是靠空格隔開，而中文是以字為單位，句子中所有的字連起來才能描述一個意思。例如，英文句子I am a student，用中文則為：“我是一個學生”。計算機可以很簡單通過空格知道student是一個單詞，但是不能很容易明白「學」、「生」兩個字合起來才表示一個詞。把中文的漢字序列切分成有意義的詞，就是中文分詞，有些人也稱為切詞。我是一個學生，分詞的結果是：我 是 一個 學生。
中文分詞和搜索引擎
中文分詞到底對搜索引擎有多大影響？對于搜索引擎來說，最重要的并不是找到所有結果，因為在上百億的網頁中找到所有結果沒有太多的意義，沒有人能看得完，最重要的是把最相關的結果排在最前面，這也稱為相關度排序。中文分詞的準確與否，常常直接影響到對搜索結果的相關度排序。筆者最近替朋友找一些關于日本和服的資料，在搜索引擎上輸入「和服」，得到的結果就發現了很多問題。下面就以這個例子來說明分詞對搜索結果的影響，在目前最有三個中文搜索引擎上做測試。測試方法是直接在Google、百度、中搜上以「和服」為關鍵詞進行搜索：

在Google上輸入「和服」搜索所有中文簡體網頁，總共結果507,000條，前20條結果中有14條與和服一點關系都沒有。在第一頁就有以下錯誤：

“通信信息報：瑞星以技術和服務開拓網絡安全市場”

“使用純HTML的通用數據管理和服務- 開發者- ZDNet ...”

“陳慧琳《心口不一》 化妝和服裝自己包辦”

“::外交部：中國境外領事保護和服務指南(2003年版) ...”

“產品和服務”

等等。第一頁只有三篇是真正在講「和服」的結果。

在百度上輸入「和服」搜索網頁，總共結果為287,000條，前20條結果中有6條與和服一點關系都沒有。在第一頁有以下錯誤：

“福建省晉江市恒和服裝有限公司系獨資企業”

“關于商品和服務實行明碼標價的規定”

“青島東和服裝設備”

在中搜山輸入「和服」搜索網頁，總共結果為26,917條，前20條結果都是與和服相關的網頁。

這次搜索引擎結果中的錯誤，就是由于分詞的不準確所造成的。通過筆者的了解，Google的中文分詞技術采用的是美國一家名叫Basis Technology（http://www.basistech.com）的公司提供的中文分詞技術，百度使用的是自己公司開發的分詞技術，中搜使用的是國內海量科技（http://www.hylanda.com）提供的分詞技術。業界評論海量科技的分詞技術目前被認為是國內最好的中文分詞技術，其分詞準確度超過99%，由此也使得中搜在搜索結果中搜索結果的錯誤率很低。由此可見，中文分詞的準確度，對搜索引擎結果相關性和準確性有相當大的關系。
中文分詞技術
中文分詞技術屬于自然語言處理技術范疇，對于一句話，人可以通過自己的知識來明白哪些是詞，哪些不是詞，但如何讓計算機也能理解？其處理過程就是分詞算法。

現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計的分詞方法。

基于字符串匹配的分詞方法

這種方法又叫做機械分詞方法，它是按照一定的策略將待分析的漢字串與一個「充分大的」機器詞典中的詞條進行配，若在詞典中找到某個字符串，則匹配成功（識別出一個詞）。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；按照不同長度優先匹配的情況，可以分為最大（最長）匹配和最小（最短）匹配；按照是否與詞性標注過程相結合，又可以分為單純分詞方法和分詞與標注相結合的一體化方法。常用的幾種機械分詞方法如下：

   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最小）。 

還可以將上述各種方法相互組合，例如，可以將正向最大匹配方法和逆向最大匹配方法結合起來構成雙向匹配法。由于漢語單字成詞的特點，正向最小匹配和逆向最小匹配一般很少使用。一般說來，逆向匹配的切分精度略高于正向匹配，遇到的歧義現象也較少。統計結果表明，單純使用正向最大匹配的錯誤率為1/169，單純使用逆向最大匹配的錯誤率為1/245。但這種精度還遠遠不能滿足實際的需要。實際使用的分詞系統，都是把機械分詞作為一種初分手段，還需通過利用各種其它的語言信息來進一步提高切分的準確率。

一種方法是改進掃描方式，稱為特征掃描或標志切分，優先在待分析字符串中識別和切分出一些帶有明顯特征的詞，以這些詞作為斷點，可將原字符串分為較小的串再來進機械分詞，從而減少匹配的錯誤率。另一種方法是將分詞和詞類標注結合起來，利用豐富的詞類信息對分詞決策提供幫助，并且在標注過程中又反過來對分詞結果進行檢驗、調整，從而極大地提高切分的準確率。

對于機械分詞方法，可以建立一個一般的模型，在這方面有專業的學術論文，這里不做詳細論述。

基于理解的分詞方法

這種分詞方法是通過讓計算機模擬人對句子的理解，達到識別詞的效果。其基本思想就是在分詞的同時進行句法、語義分析，利用句法信息和語義信息來處理歧義現象。它通常包括三個部分：分詞子系統、句法語義子系統、總控部分。在總控部分的協調下，分詞子系統可以獲得有關詞、句子等的句法和語義信息來對分詞歧義進行判斷，即它模擬了人對句子的理解過程。這種分詞方法需要使用大量的語言知識和信息。由于漢語語言知識的籠統、復雜性，難以將各種語言信息組織成機器可直接讀取的形式，因此目前基于理解的分詞系統還處在試驗階段。

基于統計的分詞方法

從形式上看，詞是穩定的字的組合，因此在上下文中，相鄰的字同時出現的次數越多，就越有可能構成一個詞。因此字與字相鄰共現的頻率或概率能夠較好的反映成詞的可信度。可以對語料中相鄰共現的各個字的組合的頻度進行統計，計算它們的互現信息。定義兩個字的互現信息，計算兩個漢字X、Y的相鄰共現概率。互現信息體現了漢字之間結合關系的緊密程度。當緊密程度高于某一個閾值時，便可認為此字組可能構成了一個詞。這種方法只需對語料中的字組頻度進行統計，不需要切分詞典，因而又叫做無詞典分詞法或統計取詞方法。但這種方法也有一定的局限性，會經常抽出一些共現頻度高、但并不是詞的常用字組，例如「這一」、「之一」、「有的」、「我的」、「許多的」等，并且對常用詞的識別精度差，時空開銷大。實際應用的統計分詞系統都要使用一部基本的分詞詞典（常用詞詞典）進行串匹配分詞，同時使用統計方法識別一些新的詞，即將串頻統計和串匹配結合起來，既發揮匹配分詞切分速度快、效率高的特點，又利用了無詞典分詞結合上下文識別生詞、自動消除歧義的優點。

到底哪種分詞算法的準確度更高，目前并無定論。對于任何一個成熟的分詞系統來說，不可能單獨依靠某一種算法來實現，都需要綜合不同的算法。筆者了解，海量科技的分詞算法就采用「復方分詞法」，所謂復方，相當于用中藥中的復方概念，即用不同的藥才綜合起來去醫治疾病，同樣，對于中文詞的識別，需要多種算法來處理不同的問題。

分詞中的難題。
有了成熟的分詞算法，是否就能容易的解決中文分詞的問題呢？事實遠非如此。中文是一種十分復雜的語言，讓計算機理解中文語言更是困難。在中文分詞過程中，有兩大難題一直沒有完全突破。

    * 歧義識別。 

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，因為「表面」和「面的」都是詞，那么這個短語就可以分成「表面 的」和「表面的」。這種稱為交叉歧義。像這種交叉歧義十分常見，前面舉的「和服」的例子，其實就是因為交叉歧義引起的錯誤。「化妝和服裝」可以分成「化妝 和服裝」或者「化妝 和服 裝」。由于沒有人的知識去理解，計算機很難知道到底哪個方案正確。

交叉歧義相對組合歧義來說是還算比較容易處理，組合歧義就必需根據整個句子來判斷了。例如，在句子「這個門把手壞了」中，「把手」是個詞，但在句子「請把手拿開」中，「把手」就不是一個詞；在句子「將軍任命了一名中將」中，「中將」是個詞，但在句子「產量三年中將增長兩倍」中，「中將」就不再是詞。這些詞計算機又如何去識別?

如果交叉歧義和組合歧義計算機都能解決的話，在歧義中還有一個難題，是真歧義。真歧義意思是給出一句話，由人去判斷也不知道哪個應該是詞，哪個應該不是詞。例如：「乒乓球拍賣完了」，可以切分成「乒乓 球拍 賣 完 了」、也可切分成「乒乓球 拍賣 完了」，如果沒有上下文其他的句子，恐怕誰也不知道「拍賣」在這里算不算一個詞。

    * 新詞識別。 

新詞，專業術語稱為未登錄詞。也就是那些在字典中都沒有收錄過，但又確實能稱為詞的那些詞。最典型的是人名，人可以很容易理解句子「王軍虎去廣州了」中，「王軍虎」是個詞，因為是一個人的名字，但要是讓計算機去識別就困難了。如果把「王軍虎」做為一個詞收錄到字典中去，全世界有那么多名字，而且每時每刻都有新增的人名，收錄這些人名本身就是一項巨大的工程。即使這項工作可以完成，還是會存在問題，例如：在句子「王軍虎頭虎腦的」中，「王軍虎」還能不能算詞？

新詞中除了人名以外，還有機構名、地名、產品名、商標名、簡稱、省略語等都是很難處理的問題，而且這些又正好是人們經常使用的詞，因此對于搜索引擎來說，分詞系統中的新詞識別十分重要。目前新詞識別準確率已經成為評價一個分詞系統好壞的重要標志之一。
中文分詞的應用
目前在自然語言處理技術中，中文處理技術比西文處理技術要落后很大一段距離，許多西文的處理方法中文不能直接采用，就是因為中文必需有分詞這道工序。中文分詞是其他中文信息處理的基礎，搜索引擎只是中文分詞的一個應用。其他的比如機器翻譯（MT）、語音合成、自動分類、自動摘要、自動校對等等，都需要用到分詞。因為中文需要分詞，可能會影響一些研究，但同時也為一些企業帶來機會，因為國外的計算機處理技術要想進入中國市場，首先也是要解決中文分詞問題。在中文研究方面，相比外國人來說，中國人有十分明顯的優勢。

分詞準確性對搜索引擎來說十分重要，但如果分詞速度太慢，即使準確性再高，對于搜索引擎來說也是不可用的，因為搜索引擎需要處理數以億計的網頁，如果分詞耗用的時間過長，會嚴重影響搜索引擎內容更新的速度。因此對于搜索引擎來說，分詞的準確性和速度，二者都需要達到很高的要求。目前研究中文分詞的大多是科研院校，清華、北大、中科院、北京語言學院、東北大學、IBM研究院、微軟中國研究院等都有自己的研究隊伍，而真正專業研究中文分詞的商業公司除了海量科技以外，幾乎沒有了。科研院校研究的技術，大部分不能很快產品化，而一個專業公司的力量畢竟有限，看來中文分詞技術要想更好的服務于更多的產品，還有很長一段路。





Lucene中文分詞
Apache Lucene作為一個開放源碼的搜索軟件包應用越來越廣泛，但是對于中文用戶來說其提供的兩個中文分詞器（CJKAnalyzer、 ChineseAnalyzer）的功能又太弱了。所以迫切需要開發自己的中文分詞器，而開發適用的分詞器是一項很有挑戰的工作。正向最大匹配法，目前普遍認為這一算法的錯分率為1/169，雖然這不是一個精確的分詞算法，但是它的實現卻很簡單。我想它已經可以滿足一些項目的應用了。這一算法是依賴于詞庫的，詞庫的好壞對于錯分率有重要影響。
基于字符串匹配的分詞技術，這種技術也被稱為機械分詞。它是按照一定的策略將待分析的漢字串與一個“充分大的”詞庫中的詞條進行匹配。若在詞庫中找到某個字符串則匹配成功（識別出一個詞）。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；按照不同長度優先匹配的情況，可以分為最大（最長）匹配和最小（最短）匹配；按照是否與詞性標注過程相結合，又可以分為單純分詞法和分詞與標注結合法。常用的幾種機械分詞方法如下：
    * 正向最大匹配法（由左到右的方向）
    * 逆向最大匹配法（由右到左的方向）
lucene分詞器還比較脆弱，要想將其用于某類項目中您還需要做一些工作，不過我想這里的lucene分詞器會成為您很好的起點。




 一、什么是中文分詞

眾所周知，英文是以詞為單位的，詞和詞之間是靠空格隔開，而中文是以字為單位，句子中所有的字連起來才能描述一個意思。例如，英文句子 “I am a student”，用中文則為：“我是一個學生”。計算機可以很簡單通過空格知道“student”是一個單詞，但是不能很容易明白「學」、「生」兩個字合起來才表示一個詞。把中文的漢字序列切分成有意義的詞，就是中文分詞，有些人也稱為切詞。“我是一個學生”，分詞的結果是：“我  是 一個 學生”。

中文分詞是其他中文信息處理的基礎，搜索引擎只是中文分詞的一個應用。其他的比如機器翻譯（MT）、語音合成、自動分類、自動摘要、自動校對等等，都需要用到分詞。

目前研究中文分詞的大多是科研院校，清華、北大、中科院、北京語言學院、東北大學、IBM研究院、微軟中國研究院等都有自己的研究隊伍，而真正專業研究中文分詞的商業公司除了海量科技以外，幾乎沒有了。