===============================================================================
如有需要可以转载，但转载请注明出处，并保留这一块信息，谢谢合作！
作者:蒋御柱
Email:jyz3051 at yahoo dot com dot cn(‘at’请替换成’@’，’dot’请替换成’.’ )
===============================================================================
关键词：中文分词，分词算法
信息检索系统的基本信息单元是文档,而为了加快查询速度,需要将文档用一系列标识符表示出来,即文档标引。
而标识符是一个个的词语，对于自动标引的过程，核心技术就是从文档中识别出一系列的词语作为文档的标识符，而完成这一过程的前提就是将文档中一个个连续的字符串序列打散成一个个的词语，作为文档标识符的候选。对于中文文档来说，将连续的字符串序列打散成一个个词语的过程就称作中文分词。
1、 什么是中文分词（Chinese Words Segmentations）
我们都知道，英文是以词为单位的，词和词之间是靠空格隔开，而中文是以字为单位，句子中所有的字连起来才能描述一个意思。例如，英文句子I am a student，用中文则为：“我是一个学生”。计算机可以很简单通过空格知道student是一个单词，但是不能很容易明白“学”、“生”两个字合起来才表示一个词。
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。我是一个学生，分词的结果是：我/是/一个/学生。
2、 中文分词和信息检索
中文分词到底对信息检索到底有多大影响呢？信息检索系统的一个重要指标就是查询相关性，把最相关的结果排在最前面，这也称为相关度排序。对于现代信息检索系统，信息量巨大，如搜索引擎常常收录上百亿个网页，故相关性变得尤其重要，因为在上百亿的网页中找到所有结果没有太多的意义，没有人能看得完。
中文分词的准确与否，常常直接影响到对搜索结果的相关度排序。如网络上常常举的一个例子就是“和服”，本意是找一些关于日本和服的资料，但是在搜索引擎上输入“和服”，得到的结果就发现了很多问题，出现很多跟日本和服无关的信息，这些搜索引擎的错误，就是由于分词的不正确造成的。
此外，分词结果常常是后续处理的基础，不正确的分词结果就谈不上正确的后续处理了。1）分词错误导致语义错误，语义错误导致句意错误，从而使整个句子的理解错误；2）分词错误导致词语关联计算错误，从而导致聚类、分类、排序都出现错误；3）分词错误导致词语翻译错误，从而难以保证正确的自动翻译。
故正确的分词是信息检索的基础，国内外的语言学家、AI（人工智能）专家等都在这方面做了不少的努力，虽然没有达到理想的结果，但也有不少成果，为中文文本处理作出了卓越的贡献，下面我将简单介绍一下目前的中文分词技术，在随后的几篇文章里，我将介绍我的中文分词方案。
3、 中文分词技术
中文分词技术属于自然语言处理技术范畴，对于一句话，人可以通过自己的知识来明白哪些是词，哪些不是词，但如何让计算机也能理解？其处理过程就是分词算法，即中文分词的核心是分词算法。
现有的分词算法可分为三大类：基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法。
（1）基于字符串匹配的分词方法
这种方法又叫做机械分词方法，它是按照一定的策略将待分析的汉字串与一个“充分大的”机器词典中的词条进行配，若在词典中找到某个字符串，则匹配成功（识别出一个词）。按照扫描方向的不同，串匹配分词方法可以分为正向匹配和逆向匹配；按照不同长度优先匹配的情况，可以分为最大（最长）匹配和最小（最短）匹配；按照是否与词性标注过程相结合，又可以分为单纯分词方法和分词与标注相结合的一体化方法。常用的几种机械分词方法如下：
① 正向最大匹配法：由左到右的方向找出词典中与待分词的汉字串能够最长匹配的词语，然后转向下一个字符，继续这一个过程，如“我们厂提供豆浆机的生产和服务”，则分为“我们/厂/提供/豆浆机/的/生产/和/服务”；
② 逆向最大匹配法：与正向最大匹配法思路相同，不过匹配字符串是从右到左的顺序，则“我们厂提供豆浆机的生产和服务”，分为“我们/厂/提供/豆浆机/的/生产/和/服务”，在这种情况下，两种分词方法得到相同的分词结果；
③ 最少切分：即找出一种方法，使每一句中切出的词的数量最小。
有些专家采用的其它方法包括：全切分（词典中出现过的词全部切分出来）等。
还可以将上述各种方法相互组合，例如，可以将正向最大匹配方法和逆向最大匹配方法结合起来构成双向匹配法。由于汉语单字成词的特点，正向最小匹配和逆向最小匹配一般很少使用。一般说来，逆向匹配的切分精度略高于正向匹配，遇到的歧义现象也较少。统计结果表明，单纯使用正向最大匹配的错误率为1/169，单纯使用逆向最大匹配的错误率为1/245。但这种精度还远远不能满足实际的需要。实际使用的分词系统，都是把机械分词作为一种初分手段，还需通过利用各种其它的语言信息来进一步提高切分的准确率。
一种方法是改进扫描方式，称为特征扫描或标志切分，优先在待分析字符串中识别和切分出一些带有明显特征的词，以这些词作为断点，可将原字符串分为较小的串再来进机械分词，从而减少匹配的错误率。这些标志词常常指“的、是、了”等助词。
另一种方法是将分词和词类标注结合起来，利用丰富的词类信息对分词决策提供帮助，并且在标注过程中又反过来对分词结果进行检验、调整，从而极大地提高切分的准确率。
对于机械分词方法，可以建立一个一般的模型，在这方面有专业的学术论文，这里不做详细论述。
（2）基于理解的分词方法
这种分词方法也常常称作基于规则的分词。这种分词方法是通过让计算机模拟人对句子的理解，达到识别词的效果。其基本思想就是在分词的同时进行句法、语义分析，利用句法信息和语义信息来处理歧义现象。它通常包括三个部分：分词子系统、句法语义子系统、总控部分。
在总控部分的协调下，分词子系统可以获得有关词、句子等的句法和语义信息来对分词歧义进行判断，即它模拟了人对句子的理解过程。这种分词方法需要使用大量的语言知识和信息。由于汉语语言知识的笼统、复杂性，难以将各种语言信息组织成机器可直接读取的形式，因此目前基于理解的分词系统还处在试验阶段。
（3）基于统计的分词方法
从形式上看，词是稳定的字的组合，因此在上下文中，相邻的字同时出现的次数越多，就越有可能构成一个词。因此字与字相邻共现的频率或概率能够较好的反映成词的可信度。可以对语料中相邻共现的各个字的组合的频度进行统计，计算它们的互现信息。
定义两个字的互现信息，计算两个汉字X、Y的相邻共现概率。互现信息体现了汉字之间结合关系的紧密程度。当紧密程度高于某一个阈值时，便可认为此字组可能构成了一个词。这种方法只需对语料中的字组频度进行统计，不需要切分词典，因而又叫做无词典分词法或统计取词方法。但这种方法也有一定的局限性，会经常抽出一些共现频度高、但并不是词的常用字组，例如“这一”、“之一”、“有的”、“我的”、“许多的”等，并且对常用词的识别精度差，时空开销大。实际应用的统计分词系统都要使用一部基本的分词词典（常用词词典）进行串匹配分词，同时使用统计方法识别一些新的词，即将串频统计和串匹配结合起来，既发挥匹配分词切分速度快、效率高的特点，又利用了无词典分词结合上下文识别生词、自动消除歧义的优点。
到底哪种分词算法的准确度更高，目前并无定论。对于任何一个成熟的分词系统来说，不可能单独依靠某一种算法来实现，都需要综合不同的算法。如海量科技的分词算法就采用“复方分词法”，所谓复方，相当于用中药中的复方概念，即用不同的药才综合起来去医治疾病，同样，对于中文词的识别，需要多种算法来处理不同的问题。
