探索百度搜索引擎算法技巧分析系列之二

接著我們上回的話題，百度搜索引擎算法技巧分析，接下來我們要講的是中文分詞技術(shù)，大家都知道百度是全球唯一最大的中文搜索引擎。下文針對(duì)百度對(duì)用戶查詢關(guān)鍵詞分詞做了一個(gè)實(shí)踐分析，希望對(duì)更多的seoer有幫助。百度這個(gè)搜索引擎對(duì)關(guān)鍵詞如何切分呢？

    中文分詞

    首先，講講百度的分詞時(shí)機(jī)或者條件問題，是否是個(gè)中文字符串百度就拿來切一下呢？非也，要想被百度的分詞程序榮幸的切割一下也是要講條件的，哪能是個(gè)字符串就切割��？你當(dāng)百度是賣鋸條的么？

    那么什么樣的字符串才滿足被切割的條件呢？簡單說來，如果字符串只包含小于等于3個(gè)中文字符的話，那就保留不動(dòng)，當(dāng)字符串長度大于4個(gè)中文字符的時(shí)候，百度的分詞程序才出馬大干快上，把這個(gè)字符串肢解掉。

    怎么證明呢？我們向百度提交“電影下載”，看看返回結(jié)果中標(biāo)為紅字的地方，不難看出來，查詢已經(jīng)被切割成<電影，下載>兩個(gè)單詞了，說明分詞程序已經(jīng)開工了，如果是比4個(gè)中文字符更長的字符串，那分詞程序就更不客氣了，一定大卸八塊而后快。我們來看看三個(gè)字符的情況，提交查詢“當(dāng)然擇”，看起來這個(gè)查詢不倫不類，那是因?yàn)槲蚁Ｍ�看到這個(gè)字符串被切分為<當(dāng)然，擇>，返回結(jié)果看多少篇相關(guān)頁面，翻到最后一頁，發(fā)現(xiàn)標(biāo)紅的關(guān)鍵字都是” 當(dāng)然擇”連續(xù)出現(xiàn)的情況，好像沒有切分，但是還不確定，那么再提交人工分好的查詢“當(dāng)然擇”看看，返回結(jié)果又會(huì)顯示多少篇，基本上可以確定沒有進(jìn)行分詞了，當(dāng)然另外一種解釋是：對(duì)于三個(gè)字符先切分，然后將切分后的結(jié)果當(dāng)作一個(gè)短語查詢，這樣看到的效果和沒有切分是相似的。

    但是我傾向于判斷百度對(duì)于少于3個(gè)字符的串沒有切分，奧卡姆不是說了么“如無必要，勿增實(shí)體”，干嗎做無用功呢。那么如果沒有切分，會(huì)有一個(gè)隨之而來的問題，怎么從索引庫里面提取未切分的字符串呢？這牽扯到索引的問題，我覺得百度應(yīng)該采取了兩套索引機(jī)制，一種是按照單詞索引，一種是按照N-GRAM索引， 至于索引的具體問題，以后在詳細(xì)論述。

    下面我們看看百度是采取的何種分詞算法，現(xiàn)在分詞算法已經(jīng)算是比較成熟了，有簡單的有復(fù)雜的，比如正向最大匹配，反向最大匹配，雙向最大匹配，語言模型方法，最短路徑算法等等，有興趣的可以用GOOGLE去搜索一下以增加理解。這里就不展開說了。但是要記住一點(diǎn)的是：判斷一個(gè)分詞系統(tǒng)好不好，關(guān)鍵看兩點(diǎn)， 一個(gè)是消除歧義能力；一個(gè)是詞典未登錄詞的識(shí)別比如人名，地名，機(jī)構(gòu)名等。

    那么百度用的是什么方法？我的判斷是用雙向最大匹配算法。至于怎么推理得出的，讓我們一步步來看。當(dāng)然，這里首先有個(gè)假設(shè)，百度不會(huì)采取比較復(fù)雜的算法，因?yàn)榭紤]到速度問題。

    我們提交一個(gè)查詢“毛澤東北京華煙云”，又一個(gè)不知所云的查詢，盡管不知所云但是自有它的道理，我想看看百度的分詞是如何消歧以及是否有詞典未登錄詞的識(shí)別的功能，如果是正向最大匹配算法的話，
    那么輸出應(yīng)該是：”毛澤東/北京/華/煙云”，
    如果是反向最大匹配算法的話，那么輸出應(yīng)該是：”毛/澤/東北/京華煙云”，
    我們看看百度的分詞結(jié)果：”毛澤東/北/京華煙云”，一個(gè)很奇怪的輸出，跟我們的期望相差較多，
但是從中我們可以獲得如下信息：百度分詞可以識(shí)別人名，也可以識(shí)別”京華煙云”，這說明有詞典未登錄詞的識(shí)別的功能，我們可以假設(shè)分詞過程分為兩個(gè)階段： 第一階段，先查找一個(gè)特殊詞典，這個(gè)詞典包含一些人名，部分地名以及一些普通詞典沒有的新詞，這樣首先將”毛澤東”解析出來，剩下了字符串”北京華煙云”，而”北/京華煙云”，可以看作是反向最大匹配的分詞結(jié)果。這樣基本說得通。為了證明這一點(diǎn)，我們提交查詢”發(fā)毛澤東北”，我們期望兩種分詞結(jié)果，一個(gè)是正向最大匹配<發(fā)毛，澤，東北>，一個(gè)是上述假設(shè)的結(jié)果<發(fā)，毛澤東，北>，事實(shí)上百度輸出是第二種情況，這樣基本能確定百度分詞采取了至少兩個(gè)詞典，一個(gè)是普通詞典，一個(gè)是專用詞典（人名等）。而且是專用詞典先切分，然后將剩余的片斷交由普通詞典來切分。

    繼續(xù)測驗(yàn)，提交查詢“古巴比倫理”，如果是正向最大匹配，那么結(jié)果應(yīng)該是<古巴比倫，理>，如果是反向最大匹配，那么結(jié)果應(yīng)該是 <古巴，比，倫理>，事實(shí)上百度的分詞結(jié)果是<古巴比倫，理>，從這個(gè)例子看，好像用了正向最大匹配算法；
    此外還有一些例子表明好像是使用正向最大匹配的；但是且慢，我們看這個(gè)查詢“北京華煙云”，正向最大匹配期望的結(jié)果是<北京，華，煙云>，而反向最大匹配期望的結(jié)果是 <北，京華煙云>，事實(shí)上百度輸出的是后者，這說明可能采用的反向最大匹配；
    從這點(diǎn)我們可以猜測百度采用的是雙向最大匹配分詞算法，如果正向和反向匹配分詞結(jié)果一致當(dāng)然好辦，直接輸出即可；但是如果兩者不一致，正向匹配一種結(jié)果，反向匹配一種結(jié)果，此時(shí)該如何是好呢？
    從上面兩個(gè)例子看，在這種情況下，百度采取最短路徑方法，也就是切分的片斷越少越好，比如<古巴，比，倫理>和<古巴比倫，理> 相比選擇后者，<北京，華，煙云>和<北，京華煙云>相比選擇后者。還有類似的一些例子，這樣基本可以解釋這些輸出結(jié)果。
    但是仍然遺留的問題是：如果正向反向分詞不一致，而且最短路徑也相同，那怎么辦？輸出正向的還是反向的結(jié)果？
    我們?cè)賮砜匆粋�(gè)例子。提交查詢“遙遠(yuǎn)古古巴比倫”，這個(gè)查詢被百度切分為<遙遠(yuǎn)，古古，巴比倫>，說明詞典里面有”巴比倫”，但是是否有”古 巴比倫”這個(gè)詞匯不確定，此時(shí)看不出是正向切分還是反向切分得出的結(jié)果，換查詢?yōu)?ldquo;遙遠(yuǎn)古巴比倫”，此時(shí)被切分為“遙遠(yuǎn)/古巴比倫”，這說明詞典里面有” 古巴比倫”這個(gè)詞匯，這說明了“遙遠(yuǎn)古古巴比倫”是正向最大匹配的結(jié)果。那為什么“遙遠(yuǎn)古古巴比倫”不會(huì)被反向切分為”遙/遠(yuǎn)古/古巴比倫”呢，百度的可能選擇是這種情況下選擇單字少的那組切分結(jié)果。

    當(dāng)然還可以繼續(xù)追問：如果切分后單字也一樣多，那怎么辦？最后看一個(gè)例子，查詢“王強(qiáng)大小”，百度將其切分為“王/強(qiáng)大/小”，是正向切分的結(jié)果，如果是反向的會(huì)被切分為“王/強(qiáng)/大小”，這說明有歧義而且單字也相同則選擇正向切分結(jié)果。

    OK，看到這里可能頭已經(jīng)有些暈了，最后總結(jié)一下百度的分詞算法，當(dāng)然里面還是有猜測的成分，算法如下：

    首先查詢專用詞典（人名，部分地名等），將專有名稱切出，剩下的部分采取雙向分詞策略，如果兩者切分結(jié)果相同，說明沒有歧義，直接輸出分詞結(jié)果。如果不一致，則輸出最短路徑的那個(gè)結(jié)果，如果長度相同，則選擇單字詞少的那一組切分結(jié)果。如果單字也相同，則選擇正向分詞結(jié)果。

    百度一直宣傳自己在中文處理方面的優(yōu)勢，從上面看，分詞算法并無特殊之處，消歧效果并不理想，即使百度采取比上述分詞算法復(fù)雜些的算法也難以說成是優(yōu)勢，如果說百度有優(yōu)勢的話，唯一的優(yōu)勢就是那個(gè)很大的專用詞典，這個(gè)專用詞典登錄了人名（比如大長今），稱謂（比如老太太），部分地名（比如阿聯(lián)酋等），估計(jì)百度采用學(xué)術(shù)界公布的比較新的命名實(shí)體識(shí)別算法從語料庫里面不斷識(shí)別出詞典未登錄詞，逐漸擴(kuò)充這個(gè)專門詞典。如果這就是優(yōu)勢的話，那么這個(gè)優(yōu)勢能夠保持多久就是個(gè)很明顯的問題。

    到此，我們講述了百度搜索引擎算法的查詢處理及中文分詞技術(shù)，技巧很多，希望seoer能夠認(rèn)真揣摩，在搜索引擎道路上越走越順暢。

服務(wù)器租用/服務(wù)器托管中國五強(qiáng)！虛擬主機(jī)域名注冊(cè)頂級(jí)提供商！15年品質(zhì)保障！--億恩科技[ENKJ.COM]