中文分詞是百度和谷歌的核心技術之一,因此不會將細節公之于。中華論文聯盟只能利用黑盒方法進行推導,也即通過輸入檢索提問,查看結果情況,并通過兩個搜索引擎都具備的網頁快照功能查看各自對檢索提問的分詞情況。
表1 檢索提問在百度和谷歌中的分詞情況*
第一，推導百度的中文分詞技術
第1個例子說明,如果對檢索提問用引號做精確檢索,百度對其不進行分詞運算。例2說明,如果輸入用空格進行分割的若干個子字符串,百度對其自動做分詞處理(如果用標點符號分割,也會做自動分詞處理)。例3、6、7、8、10等都說明百度對檢索詞會進行多種切分方式,并且首先是不進行切分,直接匹配,如果有結果則返回,并排在檢索結果最前面;然后再按照不同形式切分之后再去匹配。
例4對“比爾蓋茨”的檢索表明,百度有專有名詞庫,例5對“旭日陽剛”的檢索表明,百度對新詞收錄較快。例9“旭日陽剛才”的分詞結果為“旭日陽剛/才”也說明,百度對新詞能夠識別。
例11“大長今天天向上”,百度能夠識別出“大長今/天天向上”,“大長今”為一韓劇名,“天天向上”為一綜藝節目,百度均能正確地識別,表明其詞庫收詞范圍很廣,收詞量很多。例7、8說明,百度對在分詞時不會忽略“的”、“和”這些意義不大的字(即禁用詞),可以做更多的嘗試,百度對“了”、“嗎”等都不會忽略,仍作為檢索詞進行分詞。
再探討百度是正向最大匹配還是逆向最大匹配。例7中,對“走路和氣質”可以分出“走路/和/氣質”,這種結果像是逆向最大匹配法,再看例12,“分居民生活水平”,如果逆向最大匹配法的話應該是應該分為“分/居民/生活水平”,但事實上百度對這個檢索提問的分詞結果并不如此,在這個例子上看似為正向分詞。因此,百度的分詞不是單純的正向最大匹配或者逆向最大匹配,采用的應該是雙向最大匹配法。
通過有多種劃分方式的例子(比如例8),可以看出,百度首先是不進行分詞,得到“朱德的母親”,然后再識別出專有名詞或新詞,剩余部分又按照先不切分的方式,得到“朱德/的母親”,然后用最少切分法原則,并且用到了3元交叉切分法得到了“朱德的/的母親”。
第二，推導谷歌的中文分詞技術
例1說明,對于引號中的檢索提問,谷歌不進行拆分;例2說明,用空格分開的子字符串,谷歌自動做分詞處理(如果用標點符號分割,效果也一樣)。
例3、4、5、6表明,谷歌對于專有名詞和新詞識別能力較差,對“比爾蓋茨”、“旭日陽剛”等都進行了分詞處理,甚至連“忐忑”都劃分為了“忐/忑”,“圖書館”劃分為“圖書/館”,“中醫藥”劃分為“中/醫藥”,說明谷歌的詞庫較小。
例7、8說明,谷歌在分詞時,會對檢索提問中意義不大的字如“的”、“和”忽略,當作禁用詞,然后再進行分詞。
例9、10、11、12都印證了谷歌采取的是逆向最大匹配法,并印證了對專有名詞和新詞識別能力差。在12個例子中涉及的專有名詞和新詞中,只有“朱德”被正確識別。
湘公網安備 43010302000270號