摘要：
中文分词，估计了解的人并不多，毕竟太技术，太底层。但中文分词是中文搜索引擎系统中非常重要的模块，这里之所以强调是中文搜索引擎，和中文搜索引擎类似还有日文、韩文、泰文搜索引擎等，都需要处理分词问题。关键字：
中文分词 正文：
搜索引擎，上网的人基本上都不陌生了，CNNIC的第17次《互联网调查报告》显示，使用搜索引擎服务的网民，仅次于电子邮件。中文分词，估计了解的人并不多，毕竟太技术，太底层。但中文分词是中文搜索引擎系统中非常重要的模块，这里之所以强调是中文搜索引擎，是针对英文搜索引擎来讲，因为对于英文来说，空格代表词和词之间的分隔，也就不存在分词问题。和中文搜索引擎类似还有日文、韩文、泰文搜索引擎等，都需要处理分词问题。
为什么需要中文分词 目前的搜索引擎，大多是基于一种称为倒排索引的结构[1]。以什么做为索引的Key值，直接影响到整个搜索引擎的准确度、召回率[2]、速度。我们先看看不使用中文分词的情况。 如果不使用中文分词，可以采用单个汉字索引方式。例如，雅虎，先索引雅字，然后再索引虎字。同样，对于一篇文章，先把所有的汉字都单独索引一次，并记录他们的位置。搜索过程中，也是先找雅字的所有文档，再找虎字的所有文档，然后做交叉与运算，即包含这两个字，而且位置连续的文档才会做为符合要求的结果。这种方式是最基本的索引方式，现在有些小引擎中还在使用。但这里存在一个很有挑战性的问题：总共的常用汉字是3000多个，我们每次查询过程中，进行与操作的计算量会相当大，对于大数据量搜索引擎来说(超过10亿的文档)，每天上亿次查询，这样的索引结构，无疑是对硬件和算法的极大挑战。 考虑到速度问题，如果不使用分词，还有另外一种选择：n元组合索引方式，2元/3元等。拿2元来说，中国人，先索引中国, 再索引国人。同样，对于一篇文章，以2为单位，把所有相邻的汉字都索引起来，并记录他们的位置。搜索过程中，也是先找包含中国的所有文档，再找国人的所有文档，然后做交叉与运算，即包含这两个单元，而且位置连续的文档才会做为符合要求的结果。这样以两个字做为索引单元，可以大大减少在搜索过程中的计算量。 以上两种方式，都可以不需要分词，也能实现搜索引擎的索引和搜索。但是这里存在一个不可忽视的问题：准确度。一个很常见的例子：和服，如果按照上面两种方式，都会查到包含主板 和服 务器的文档； 北大 也会得到东 北大 学。对于大数据量的搜索引擎来说，每个搜索次都会有成千上万个结果，用户已经很挑选他真正想要的文章，如果这里还要增加许多错误，估计用户体验会极差。这时候，我们需要中文分词。 词，是中文语言中最小的语意单位。以词为单位做为搜索引擎的索引的Key值，会大大提高搜索引擎结果的准确性，同时保证了搜索过程中计算量小。其实还有一个优点，以词为单位的索引，索引库会比上两种方式小很多。很明显：如果以 中国人 做为一个词，那么搜索的时候，不需要任何与运算，索引的时候记录也会减少。关于搜索过程描述参看中文搜索引擎技术揭密：系统架构 中文分词的算法 中文分词技术的研究，已经有几十年的历史了，在20世纪80年代，我国就有人开始研究如何用计算机来自动分词。如何让机器去识别语言中最小的语意单位，不是一件很容易的事情。 如何进行分词？对于程序员来说，最容易想到的办法是，用一个大词典，把所有的词都存入词典中，扫描输入的文本，查找所有可能的词，然后看哪个词可以做为输出。例如： 输入文本: 我是学生
词: 我/是/学生 其实这样做了以后，可以解决60%的问题。总结起来，分词的算法分为：
1. 基于字符串匹配的分词方法
2. 基于理解的分词方法
3. 基于统计的分词方法 关于这3种算法的详细介绍，可以查看中文分词技术，我这里想介绍的是，如何处理新词。 新词，术语是"未登录词"，就是那些没有收入到词典里面的词。新词主要包括：人名、地名、机构名、热点新名词等。例如：2003年之前，没有人知道"非典"。"非典"刚出现的时候，这就是新词。还有"超女", "三个代表"，"芙蓉姐姐"。识别新词的能力是评估一个分词系统的重要指标。在国际上每年进行的分词大赛中，识别新词的比赛也单独提出。2006年SIGHAN的分词大赛中，就增添了对于机构名识别的比赛。 如何识别新词成为最近几年分词技术研究的重点。总结起来，无非分成两种：
1. 基于规则的方法。
2. 基于统计、机器学习。 拿人名识别为例。你不可能把所有的人名都放入词典中，这决定了人名注定会是新词。从人名构造来说，很有规律：姓＋名。张王刘李陈、天下一半人。也就是说可能有一半的人，是这五个姓。名也有一定规律：建华/建国/志强.....等有许多经常用于名字中的汉字；对于地名识别也可以找出很多规则，省/县/村/镇/湾/河等，都是很常用的后缀，如果他们出现，之前出现地名的可能性比较大。如果把这些规律转化成计算机能识别的算法，就是基于规则的算法。这种基于规则的算法简单有效，而且发现规则可很
[1][2]
