中文分词技术的分类和进行分词的原因

来源：原创  作者：唐朝网络  发布时间: 2020-11-20 14:09:26

中文分词技术的分类和进行分词的原因

　　为什么要进行中文分词：词是最小的能够独立活动的有意义的语言成分，英文单词之间是以空格作为自然分界符的，而汉语是以字为基本的书写单位，词语之间没有明显的区分标记，因此，中文词语分析是中文信息处理的基础与关键。

　　Lucene中对中文的处理是基于自动切分的单字切分，或者二元切分。除此之外，还有最大切分(包括向前、向后、以及前后相结合)、最少切分、全切分等等。

　　中文分词技术的分类：

　　我们讨论的分词算法可分为三大类：基于字典、词库匹配的分词方法;基于词频度统计的分词方法和基于知识理解的分词方法。

　　第一类方法应用词典匹配、汉语词法或其它汉语语言知识进行分词，如：最大匹配法、最小分词方法等。这类方法简单、分词效率较高,但汉语语言现象复杂丰富，词典的完备性、规则的一致性等问题使其难以适应开放的大规模文本的分词处理。第二类基于统计的分词方法则基于字和词的统计信息，如把相邻字间的信息、词频及相应的共现信息等应用于分词，由于这些信息是通过调查真实语料而取得的，因而基于统计的分词方法具有较好的实用性。