中文分詞是將一句話或一個(gè)短語(yǔ)按照日常閱讀習(xí)慣進(jìn)行機(jī)械分解。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,我很喜歡搜索引擎,分詞的結(jié)果是:我|很喜歡|搜索引擎。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。
中文每個(gè)字都可以直接作為一個(gè)詞來(lái)使用,沒(méi)有斷詞,正因?yàn)榇怂哦嘧儭km然多變,但是在表達(dá)上靈活。但是對(duì)于搜索引擎來(lái)說(shuō)這是非常難以解決的問(wèn)題。在中文分詞當(dāng)中,有三種難分類(lèi)型。
1、交集型歧義
假設(shè)“ABC”是一個(gè)由A、B、C三個(gè)漢字構(gòu)成的字串,如果 “AB”、“BC”都是詞,那么計(jì)算機(jī)在切分時(shí)可以把“ABC”切分為“AB/C”,也可以切分為“A/BC”。這種切分歧義稱為交集型歧義。
2、組合型歧義
如果“AB”是詞、“ABC”也是詞,那么產(chǎn)生的切分歧義稱為組合型歧義。
3、混和型歧義
混和型歧義是包含交集型歧義和組合型歧義的切分歧義。
目前解決這些問(wèn)題主要通過(guò)字典和統(tǒng)計(jì)學(xué)的方法。
首先我們先說(shuō)說(shuō)字典分詞法。字典一般采用前綴樹(shù)和后綴樹(shù)的數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)。什么是前綴樹(shù)呢?其實(shí)就是我們把一個(gè)句子從左向右掃描一遍,遇到字典里有的詞就標(biāo)識(shí)出來(lái),遇到復(fù)合詞就找最長(zhǎng)的詞匹配,遇到不認(rèn)識(shí)的字串就分割成單字詞,于是簡(jiǎn)單的分詞就完成了。后綴樹(shù)就是從右向左掃描一遍。
統(tǒng)計(jì)學(xué)的方法,雖然字典分詞已經(jīng)解決了很多分詞上出現(xiàn)的問(wèn)題。但是面對(duì)很多新出的詞匯,分詞也面臨著挑戰(zhàn)。統(tǒng)計(jì)學(xué)的分詞方式是基于概念和信息學(xué)方面的知識(shí)進(jìn)行處理;驹砭褪菍ふ夷切┙(jīng)常一同出現(xiàn)的字,總是相互的字很有可能構(gòu)成一個(gè)詞。為此需要分析大量?jī)?nèi)容。即使到現(xiàn)在中文分詞還在不斷發(fā)展,還沒(méi)有一個(gè)分詞方法能徹底解決一切問(wèn)題。
對(duì)中文分詞有興趣的讀者,可以閱讀以下文獻(xiàn):
1. 梁南元
書(shū)面漢語(yǔ)自動(dòng)分詞系統(tǒng)
http://www.touchwrite.com/demo/LiangNanyuan-JCIP-1987.pdf
2. 郭進(jìn)
統(tǒng)計(jì)語(yǔ)言模型和漢語(yǔ)音字轉(zhuǎn)換的一些新結(jié)果
http://www.touchwrite.com/demo/GuoJin-JCIP-1993.pdf
3. 郭進(jìn)
Critical Tokenization and its Properties
http://acl.ldc.upenn.edu/J/J97/J97-4004.pdf
4. 孫茂松
Chinese word segmentation without using lexicon and hand-crafted training data
http://portal.acm.org/citation.cfm?coll=GUIDE&dl=GUIDE&id=980775