面向大規(guī)模信息檢索的中文分詞技術(shù)研究.pdf

1、中文分詞是中文信息處理的一個基礎(chǔ)環(huán)節(jié)。在中文信息檢索的文本處理階段，也常 用到這項技術(shù)。學(xué)術(shù)界關(guān)于分詞技術(shù)的研究一直比較多，但是目前的研究大多是通用的 分詞算法，專門針對信息檢索應(yīng)用的分詞技術(shù)研究相對較少。 本文首先介紹了中文分詞的難點(diǎn)，以及目前常用的一些切分算法。然后綜合分析了 分詞技術(shù)對中文信息檢索的影響，在此基礎(chǔ)上系統(tǒng)地提出了適用于信息檢索應(yīng)用的分詞 技術(shù)的特點(diǎn)，并且根據(jù)這些特點(diǎn)給出我們自己的分詞算法。 由

2、于面向大規(guī)模信息檢索的分詞算法對時間性能要求較高，我們的詞典算法采用了 雙數(shù)組Trie樹優(yōu)化算法。該算法查詢一個詞語最多只需要進(jìn)行n-1次整數(shù)相加，時間復(fù) 雜度是O(n)，n為查詢詞長度。我們的實驗顯示，無論是單純的詞語查詢速度還是最大 匹配切分速度，雙數(shù)組Tile樹算法都要比目前詞典機(jī)制中常用的普通Trie樹算法和雙字 Hash算法快。 歧義消除和未登錄詞識別是分詞的兩大技術(shù)難點(diǎn)。考慮到信息檢索應(yīng)用的特點(diǎn)，在 歧義消

3、除部分，對于交叉歧義和覆蓋歧義這兩類歧義，我們只處理前者，并在歧義位置 用雙字耦合度和t-測試差的線性迭加值來判斷是否切分；對于后者，我們提出一種在查 詢擴(kuò)展時處理的方法。未登錄詞識別部分我們則利用單字的成詞位置概率，同時結(jié)合局 部二元串頻統(tǒng)計對所有命名實體和新詞進(jìn)行統(tǒng)一識別。 實驗表明，該分詞算法切分速度在CPU3.2G，內(nèi)存512M的環(huán)境下能達(dá)到2MB／秒， 比當(dāng)前一些切分精度較高的分詞算法如ICTCLAS要快很多；