您当前的位置: 首页 > 养生

1交集型歧义

2018-11-06 09:09:20

近在学习SEO的过程中发现了一个新名词,叫分词技术,下面和各位站长简单探讨下所谓的分词技术。

中文分词是将一句话或一个短语按照日常阅读习惯进行机械分解。英文分词是以词为单位的,词和词之间是靠空格隔开,而中文是以字为单位,芜湖正规医院治疗癫痫多少钱句子中所有的字连起来才能描述一个意思。例如,我喜欢搜索引擎,分词的结果是:我|喜欢|搜索引擎。把中文的汉字序列切分成有意义的词,就是中文分词,有些人也称为切词。

中文每个字都可以直接作为一个词来使用,没有断词,正因为此它才多变。虽然多变,但是在表达上灵活。但是对于搜索引擎来说这是非常难以解决的问题。在中文分词当中,有三种难分类型。

1、交集型歧义

假设ABC是一个由A、B、C三个汉字构成的字串,如果 AB、BC都是词,那么计算机在切分时可以把ABC切分为AB/C,也可以切分为A/BC。这种切分歧义称为交集型歧义。

2、组合型歧义

如果牛皮癣具遗传性AB是词、ABC也是词,那么产生的切分歧义称为组合型歧义。

3、混和型歧义

混和型歧义是包含交集型歧义和组合型歧义的切分歧义。

目前解决这些问题主要通过字典和统计学的方法。

首先我们先说说字典分词法。字典一般采用前缀树和后缀树的数据存储结构。什么是前缀树呢?其实就是我们把一个句子从左向右扫描一遍,遇到字典里有的词就标识出来,遇到复合词就找长的词匹配,遇到不认识的字串就分割成单字词,于是简单的分词就完成了。后缀树就是从右向左扫描一遍。

统计学的方法,虽然字典分词已经解决了很多分词上出现的四平癫痫病治疗医院问题。但是面对很多新出的词汇,分词也面临着挑战。统计学的分词方式是基于概念和信息学方面的知识进行处理。基本原理就是寻找那些经常一同出现的字,总是相互的字很有可能构成一个词。预防胃癌

分词技术需要分析大量内容,即使到现在中文分词还在不断发展,还没有一个分词方法能彻底解决一切问题。

冷拔无缝钢管
登车桥
上海年会策划公司
推荐阅读
图文聚焦