搜索引擎的中文分詞技術詳細分析_第1頁
搜索引擎的中文分詞技術詳細分析_第2頁
搜索引擎的中文分詞技術詳細分析_第3頁
全文預覽已結束

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

搜索引擎的中文分詞技術詳細分析

首先我們看下下面這個句子“上海奇商是上海地區最優秀的企業SEO咨詢公司嗎？”當搜索引擎(以后一律建成SE)讀到上面這句話的時候會進行第一次切詞，結果如下：上、海、奇、商、是、地、區、最、優、秀、的、企、業、S、E、O、咨、詢、公、司、嗎注意上面是20個中文漢字和3個英文字母，而第一次分詞的結果是將“上”、“海”兩個重復的關鍵詞去掉了。這種切詞就是簡單的單字法。當然搜索引擎不是傻瓜，不會只利用這么一種簡單的分詞方法。接著，搜索引擎進行二分法分詞，結果如下：上海、海奇、奇商、商是、是上、海地、地區、區最、最優、優秀、秀的、的企、企業、業S、SE、EO、O咨、咨詢、詢公、公司、司嗎注意上面的傷害出現了兩次，也只算做一個詞，因為他們的確是一個詞，第一個“上海”和中間的“上海”沒有什么差別。這只是第二次分詞，接著會有三分法分詞和四分法分詞。或許有SEO要問，這樣分出來的詞搜索引擎有什么用？不著急，我們還沒講到下面。其次，SE針對這些詞進行篩選，怎樣篩選呢？我們都知道中文的很多詞，像“的”“了”“啊”“嗎”“在”等幾乎每篇文章都會用到，這些詞要是SE全部收錄的話，那估計數據庫早就放不下了，因為百度目前收錄的16億網頁幾乎每個網頁都有這些詞，這么浩大的工程，SE肯定忙不過來，即使忙過來，也很少有人去搜索“啊”這樣無意義的關鍵詞。所以SE將這些詞定義為停止關鍵詞，也就是英文里面提到的“stopword”。只要是停止關鍵詞都會被刪除的。或許又有SEO開始提問了，那么“是上”這樣的關鍵詞難道也被分成一個詞？不要著急，下面還有更精彩的。忽略掉停止關鍵詞后，剩下的關鍵詞開始跟SE的詞庫進行匹配，原始的詞庫可能只有辭海那些基礎的關鍵詞，但是隨著互聯網的發展新詞的產生，SE的詞庫遠遠大于辭海。后面會詳細解釋。這樣像“上海”、“地區”、“優秀”、“企業”、“咨詢”、“公司”等我們自己都知道肯定屬于辭海的關鍵詞，肯定也屬于SE的詞庫。這里有些SEO開始問，那么像“SEO”這樣的詞SE是怎樣判斷的呢？如果大家去看下在微軟必應搜索”SEO”時候推薦的關鍵詞就能看到，他們和百度、谷歌一樣，原來都是解決不掉這個問題的，推薦的關鍵詞一律為“色哦”。那么后來他們是怎么分析出來這個關鍵詞的呢？這個就要靠SE強大的統計功能了，當SE發現有大量用戶搜索“SEO”這個關鍵詞的時候，他們就會將這個關鍵詞添加到詞庫。這個時候一個新詞就產生了。當然還有這種情況是百度貼吧之父俞軍和百度CEO李彥宏都向往的一種分詞方法，即理解，理解的意思就是我們在搜索“上海最好的SEO公司”的時候，SE能夠理解用戶要找的是什么信息，他會發現用戶最在乎的是

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論