中文分詞（Chinese Word Segmentation）指的是將一個漢字序列切分成一個個單獨的詞。分詞是將連續(xù)的字序列按照一定規(guī)范重新組合成詞序列的過程。中文分詞技術是由于中文在基本文法上的特殊性而存在的，其中一個重要特點是詞與詞組邊界的模糊性。中文分詞技術不僅應用于中文，也在英文處理中有應用，如手寫識別。
影響
中文分詞對于搜索引擎來說，最重要的并不是找到所有結(jié)果，因為在上百億的網(wǎng)頁中找到所有結(jié)果沒有太多的意義，沒有人能看得完，最重要的是把最相關的結(jié)果排在最前面，這也稱為相關度排序。中文分詞的準確與否，常常直接影響到對搜索結(jié)果的相關度排序。從定性分析來說，搜索引擎的分詞算法不同，詞庫的不同都會影響頁面的返回結(jié)果。
算法分類
現(xiàn)有的分詞算法可分為三大類：基于字符串匹配的分詞方法、基于理解的分詞方法和基于統(tǒng)計的分詞方法。按照是否與詞性標注過程相結(jié)合，又可以分為單純分詞方法和分詞與標注相結(jié)合的一體化方法。
字符匹配
這種方法又叫做機械分詞方法，它是按照一定的策略將待分析的漢字串與一個“充分大的”機器詞典中的詞條進行匹配，若在詞典中找到某個字符串，則匹配成功（識別出一個詞）。按照掃描方向的不同，串匹配分詞方法可以分為正向匹配和逆向匹配；按照不同長度優(yōu)先匹配的情況，可以分為最大（最長）匹配和最小（最短）匹配；常用的幾種機械分詞方法如下：
正向最大匹配法（由左到右的方向）；
逆向最大匹配法（由右到左的方向）；
最少切分（使每一句中切出的詞數(shù)最小）；
雙向最大匹配法（進行由左到右、由右到左兩次掃描）
還可以將上述各種方法相互組合，例如，可以將正向最大匹配方法和逆向最大匹配方法結(jié)合起來構成雙向匹配法。由于漢語單字成詞的特點，正向最小匹配和逆向最小匹配一般很少使用。一般說來，逆向匹配的切分精度略高于正向匹配，遇到的歧義現(xiàn)象也較少。統(tǒng)計結(jié)果表明，單純使用正向最大匹配的錯誤率為1/169，單純使用逆向最大匹配的錯誤率為1/245。但這種精度還遠遠不能滿足實際的需要。實際使用的分詞系統(tǒng)，都是把機械分詞作為一種初分手段，還需通過利用各種其它的語言信息來進一步提高切分的準確率。
一種方法是改進掃描方式，稱為特征掃描或標志切分，優(yōu)先在待分析字符串中識別和切分出一些帶有明顯特征的詞，以這些詞作為斷點，可將原字符串分為較小的串再來進機械分詞，從而減少匹配的錯誤率。另一種方法是將分詞和詞類標注結(jié)合起來，利用豐富的詞類信息對分詞決策提供幫助，并且在標注過程中又反過來對分詞結(jié)果進行檢驗、調(diào)整，從而極大地提高切分的準確率。
對于機械分詞方法，可以建立一個一般的模型，在這方面有專業(yè)的學術論文，這里不做詳細論述。
理解法
這種分詞方法是通過讓計算機模擬人對句子的理解，達到識別詞的效果。其基本思想就是在分詞的同時進行句法、語義分析，利用句法信息和語義信息來處理歧義現(xiàn)象。它通常包括三個部分：分詞子系統(tǒng)、句法語義子系統(tǒng)、總控部分。在總控部分的協(xié)調(diào)下，分詞子系統(tǒng)可以獲得有關詞、句子等的句法和語義信息來對分詞歧義進行判斷，即它模擬了人對句子的理解過程。這種分詞方法需要使用大量的語言知識和信息。由于漢語語言知識的籠統(tǒng)、復雜性，難以將各種語言信息組織成機器可直接讀取的形式，因此目前基于理解的分詞系統(tǒng)還處在試驗階段。
統(tǒng)計法
從形式上看，詞是穩(wěn)定的字的組合，因此在上下文中，相鄰的字同時出現(xiàn)的次數(shù)越多，就越有可能構成一個詞。因此字與字相鄰共現(xiàn)的頻率或概率能夠較好的反映成詞的可信度。可以對語料中相鄰共現(xiàn)的各個字的組合的頻度進行統(tǒng)計，計算它們的互現(xiàn)信息。定義兩個字的互現(xiàn)信息，計算兩個漢字X、Y的相鄰共現(xiàn)概率。互現(xiàn)信息體現(xiàn)了漢字之間結(jié)合關系的緊密程度。當緊密程度高于某一個閾值時，便可認為此字組可能構成了一個詞。這種方法只需對語料中的字組頻度進行統(tǒng)計，不需要切分詞典，因而又叫做無詞典分詞法或統(tǒng)計取詞方法。但這種方法也有一定的局限性，會經(jīng)常抽出一些共現(xiàn)頻度高、但并不是詞的常用字組，例如“這一”“之一”“有的”“我的”“許多的”等，并且對常用詞的識別精度差，時空開銷大。實際應用的統(tǒng)計分詞系統(tǒng)都要使用一部基本的分詞詞典（常用詞詞典）進行串匹配分詞，同時使用統(tǒng)計方法識別一些新的詞，即將串頻統(tǒng)計和串匹配結(jié)合起來，既發(fā)揮匹配分詞切分速度快、效率高的特點，又利用了無詞典分詞結(jié)合上下文識別生詞、自動消除歧義的優(yōu)點。
另外一類是基于統(tǒng)計機器學習的方法。首先給出大量已經(jīng)分詞的文本，利用統(tǒng)計機器學習模型學習詞語切分的規(guī)律（稱為訓練），從而實現(xiàn)對未知文本的切分。我們知道，漢語中各個字單獨作詞語的能力是不同的，此外有的字常常作為前綴出現(xiàn)，有的字卻常常作為后綴（“者”“性”），結(jié)合兩個字相臨時是否成詞的信息，這樣就得到了許多與分詞有關的知識。這種方法就是充分利用漢語組詞的規(guī)律來分詞。這種方法的最大缺點是需要有大量預先分好詞的語料作支撐，而且訓練過程中時空開銷極大。
到底哪種分詞算法的準確度更高，目前并無定論。對于任何一個成熟的分詞系統(tǒng)來說，不可能單獨依靠某一種算法來實現(xiàn)，都需要綜合不同的算法。例如，海量科技的分詞算法就采用“復方分詞法”，所謂復方，就是像中西醫(yī)結(jié)合般綜合運用機械方法和知識方法。對于成熟的中文分詞系統(tǒng)，需要多種算法綜合處理問題。
技術難點
有了成熟的分詞算法，是否就能容易的解決中文分詞的問題呢？事實遠非如此。中文是一種十分復雜的語言，讓計算機理解中文語言更是困難。在中文分詞過程中，有兩大難題一直沒有完全突破。
歧義識別
歧義是指同樣的一句話，可能有兩種或者更多的切分方法。主要的歧義有兩種：交集型歧義和組合型歧義，例如：表面的，因為“表面”和“面的”都是詞，那么這個短語就可以分成“表面 的”和“表 面的”。這種稱為交集型歧義（交叉歧義）。像這種交集型歧義十分常見，前面舉的“和服”的例子，其實就是因為交集型歧義引起的錯誤。“化妝和服裝”可以分成“化妝 和 服裝”或者“化妝 和服 裝”。由于沒有人的知識去理解，計算機很難知道到底哪個方案正確。
交集型歧義相對組合型歧義來說是還算比較容易處理，組合型歧義就必須根據(jù)整個句子來判斷了。例如，在句子“這個門把手壞了”中，“把手”是個詞，但在句子“請把手拿開”中，“把手”就不是一個詞；在句子“將軍任命了一名中將”中，“中將”是個詞，但在句子“產(chǎn)量三年中將增長兩倍”中，“中將”就不再是詞。
如果交集型歧義和組合型歧義計算機都能解決的話，在歧義中還有一個難題，是真歧義。真歧義意思是給出一句話，由人去判斷也不知道哪個應該是詞，哪個應該不是詞。例如：“乒乓球拍賣完了”，可以切分成“乒乓 球拍 賣 完 了”、也可切分成“乒乓球 拍賣 完 了”，如果沒有上下文其他的句子，恐怕誰也不知道“拍賣”在這里算不算一個詞。
新詞識別
命名實體（人名、地名）、新詞，專業(yè)術語稱為未登錄詞。也就是那些在分詞詞典中沒有收錄，但又確實能稱為詞的那些詞。最典型的是人名，人可以很容易理解。句子“王軍虎去廣州市了”中，“王軍虎”是個詞，因為是一個人的名字，但要是讓計算機去識別就困難了。如果把“王軍虎”做為一個詞收錄到字典中去，全世界有那么多名字，而且每時每刻都有新增的人名，收錄這些人名本身就是一項既不劃算又巨大的工程。
除了人名以外，還有機構名、地名、產(chǎn)品名、商標名、簡稱、省略語等都是很難處理的問題，而且這些又正好是人們經(jīng)常使用的詞，因此對于搜索引擎來說，分詞系統(tǒng)中的新詞識別十分重要。新詞識別準確率已經(jīng)成為評價一個分詞系統(tǒng)好壞的重要標志之一。
應用
在自然語言處理技術中，中文處理技術比西文處理技術要落后一大截，許多西文的處理方法中文不能直接采用，就是因為中文必需有分詞這道工序。中文分詞是其他中文信息處理的基礎，搜索引擎只是中文分詞的一個應用。其他的比如機器翻譯（MT）、語音合成、自動分類、自動摘要、自動校對等等，都需要用到分詞。因為中文需要分詞，可能會影響一些研究，但同時也為一些企業(yè)帶來機會，因為國外的計算機處理技術要想進入中國市場，首先也是要解決中文分詞問題。
分詞準確性對搜索引擎來說十分重要，但如果分詞速度太慢，即使準確性再高，對于搜索引擎來說也是不可用的，因為搜索引擎需要處理數(shù)以億計的網(wǎng)頁，如果分詞耗用的時間過長，會嚴重影響搜索引擎內(nèi)容更新的速度。因此對于搜索引擎來說，分詞的準確性和速度，二者都需要達到很高的要求。研究中文分詞的大多是科研院校，清華大學、北京大學、哈爾濱工業(yè)大學、中科院、北京語言大學、山西大學、東北大學、IBM研究院、微軟亞洲研究院等都有自己的研究隊伍，而真正專業(yè)研究中文分詞的商業(yè)公司除了海量以外，幾乎沒有了。科研院校研究的技術，大部分不能很快產(chǎn)品化，而一個專業(yè)公司的力量畢竟有限，看來中文分詞技術要想更好的服務于更多的產(chǎn)品，還有很長一段路。
常見項目
word分詞
word分詞是一個Java實現(xiàn)的分布式的中文分詞組件，提供了多種基于詞典的分詞算法，并利用ngram模型來消除歧義。能準確識別英文、數(shù)字，以及日期、時間等數(shù)量詞，能識別人名、地名、組織機構名等未登錄詞。能通過自定義配置文件來改變組件行為，能自定義用戶詞庫、自動檢測詞庫變化、支持大規(guī)模分布式環(huán)境，能靈活指定多種分詞算法，能使用refine功能靈活控制分詞結(jié)果，還能使用詞性標注、同義標注、反義標注、拼音標注等功能。同時還無縫和Lucene、Solr、elasticsearch、Luke集成。
MFSOU中文分詞PHP擴展
一個PHP函數(shù)實現(xiàn)中文分詞。使分詞更容易，使用如下圖:
SCWS
Hightman開發(fā)的一套基于詞頻詞典的機械中文分詞引擎，它能將一整段的漢字基本正確的切分成詞。采用的是采集的詞頻詞典，并輔以一定的專有名稱，人名，地名，數(shù)字年代等規(guī)則識別來達到基本分詞，經(jīng)小范圍測試大概準確率在 90% ~ 95% 之間，已能基本滿足一些小型搜索引擎、關鍵字提取等場合運用。45Kb左右的文本切詞時間是0.026秒，大概是1.5MB文本/秒，支持PHP4和PHP 5。
FudanNLP
FudanNLP主要是為中文自然語言處理而開發(fā)的工具包，也包含為實現(xiàn)這些任務的機器學習算法和數(shù)據(jù)集。本工具包及其包含數(shù)據(jù)集使用LGPL3.0許可證。開發(fā)語言為Java。功能包括中文分詞等，不需要字典支持。
ICTCLAS
這是最早的中文開源分詞項目之一，ICTCLAS在國內(nèi)973專家組組織的評測中活動獲得了第一名，在第一屆國際中文處理研究機構SigHan組織的評測中都獲得了多項第一名。ICTCLAS3.0分詞速度單機996KB/s，分詞精度98.45%，API不超過200KB，各種詞典數(shù)據(jù)壓縮后不到3M.ICTCLAS全部采用C/C++編寫，支持Linux、FreeBSD及Windows系列操作系統(tǒng)，支持C/C++、C#、Delphi、Java等主流的開發(fā)語言。
HTTPCWS
HTTPCWS 是一款基于HTTP協(xié)議的開源中文分詞系統(tǒng)，目前僅支持Linux系統(tǒng)。HTTPCWS 使用“ICTCLAS 3.0 2009共享版中文分詞算法”的API進行分詞處理，得出分詞結(jié)果。HTTPCWS 將取代之前的 PHPCWS 中文分詞擴展。
CC-CEDICT
一個中文詞典開源項目，提供一份以漢語拼音為中文輔助的漢英辭典，截至2009年2月8日，已收錄82712個單詞。其詞典可以用于中文分詞使用，而且不存在版權問題。Google Chrome中文版就是使用的這個詞典進行中文分詞的。
IK
IKAnalyzer是一個開源的，基于java語言開發(fā)的輕量級的中文分詞工具包。從2006年12月推出1.0版開始，IKAnalyzer已經(jīng)推出了3個大版本。最初，它是以開源項目Luence為應用主體的，結(jié)合詞典分詞和文法分析算法的中文分詞組件。新版本的IKAnalyzer3.0則發(fā)展為面向Java的公用分詞組件，獨立于Lucene項目，同時提供了對Lucene的默認優(yōu)化實現(xiàn)。
Paoding
Paoding（庖丁解牛分詞）基于Java的開源中文分詞組件，提供lucene和solr 接口，具有極高效率和高擴展性。引入隱喻，采用完全的面向?qū)ο笤O計，構思先進。
高效率：在PIII 1G內(nèi)存?zhèn)€人機器上， 1秒可準確分詞 100萬漢字。
采用基于不限制個數(shù)的詞典文件對文章進行有效切分，使能夠?qū)υ~匯分類定義。
能夠?qū)ξ粗脑~匯進行合理解析。
僅支持Java語言。
MMSEG4J
MMSEG4J基于Java的開源中文分詞組件，提供lucene和solr 接口：
1．mmseg4j 用 Chih-Hao Tsai 的 MMSeg 算法實現(xiàn)的中文分詞器，并實現(xiàn) lucene 的 analyzer 和 solr 的TokenizerFactory 以方便在Lucene和Solr中使用。
2．MMSeg 算法有兩種分詞方法：Simple和Complex，都是基于正向最大匹配。Complex 加了四個規(guī)則過慮。官方說：詞語的正確識別率達到了 98.41%。mmseg4j 已經(jīng)實現(xiàn)了這兩種分詞算法。
盤古分詞
盤古分詞是一個基于.net 平臺的開源中文分詞組件，提供lucene(.net 版本) 和HubbleDotNet的接口
高效：Core Duo 1.8 GHz 下單線程 分詞速度為 390K 字符每秒
準確：盤古分詞采用字典和統(tǒng)計結(jié)合的分詞算法，分詞準確率較高。
功能：盤古分詞提供中文人名識別，簡繁混合分詞，多元分詞，英文詞根化，強制一元分詞，詞頻優(yōu)先分詞，停用詞過濾，英文專名提取等一系列功能。
Jcseg
jcseg是使用Java開發(fā)的一個中文分詞器，使用流行的mmseg算法實現(xiàn)。
1。mmseg四種過濾算法，分詞準確率達到了98.4%以上。
2。支持自定義詞庫。在lexicon文件夾下，可以隨便添加/刪除/更改詞庫和詞庫內(nèi)容，并且對詞庫進行了分類，詞庫整合了《現(xiàn)代漢語詞典（第7版）》和cc-cedict辭典。
3。詞條拼音和同義詞支持，jcseg為所有詞條標注了拼音，并且詞條可以添加同義詞集合，jcseg會自動將拼音和同義詞加入到分詞結(jié)果中。
4。中文數(shù)字和分數(shù)識別，例如："四五十個人都來了，三十分之一。"中的"四五十"和"三十分之一"，并且jcseg會自動將其轉(zhuǎn)換為對應的阿拉伯數(shù)字。
5。支持中英混合詞的識別。例如：B超，x射線。
6。支持基本單字單位的識別，例如2012年。
7。良好的英文支持，自動識別電子郵件，網(wǎng)址，分數(shù)，小數(shù)，百分數(shù)。
8。智能圓角半角轉(zhuǎn)換處理。
9。特殊字母識別：例如：Ⅰ，Ⅱ
10。特殊數(shù)字識別：例如：①，⑩
11。配對標點內(nèi)容提取：例如：最好的Java書《java編程思想》，‘暢想杯黑客技術大賽’，被《,‘,“,『標點標記的內(nèi)容。
12。智能中文人名識別。中文人名識別正確率達94%以上。
jcseg佩帶了jcseg.properties配置文檔，使用文本編輯器就可以自主的編輯其選項，配置適合不同應用場合的分詞應用。
friso
friso是使用c語言開發(fā)的一個中文分詞器，使用流行的mmseg算法實現(xiàn)。完全基于模塊化設計和實現(xiàn)，可以很方便的植入到其他程序中，例如：MySQL，PHP等。并且提供了一個php中文分詞擴展robbe。
1。只支持UTF-8編碼。【源碼無需修改就能在各種平臺下編譯使用，加載完20萬的詞條，內(nèi)存占用穩(wěn)定為14M。】。
2。mmseg四種過濾算法，分詞準確率達到了98.41%。
3。支持自定義詞庫。在dict文件夾下，可以隨便添加/刪除/更改詞庫和詞庫詞條，并且對詞庫進行了分類。
4。詞庫使用了friso的Java版本jcseg的簡化詞庫。
5。支持中英混合詞的識別。例如：c語言，IC卡。
7。很好的英文支持，電子郵件，網(wǎng)址，小數(shù)，分數(shù)，百分數(shù)。
8。支持阿拉伯數(shù)字基本單字單位的識別，例如2012年，5噸，120斤。
9。自動英文圓角/半角，大寫/小寫轉(zhuǎn)換。
參考資料 >
中文分詞.有道.2024-10-25
中文分詞.有道.2024-10-25
【分詞】中文分詞的古今中外，你想知道的都在這里.微信公眾平臺.2024-10-25