友情提示：如果本网页打开太慢或显示不完整，请尝试鼠标右键“刷新”本网页！阅读过程发现任何错误请告诉我们，谢谢！！
报告错误 网络营销知识仓库-第51章
按键盘上方向键 ← 或 → 可快速上下翻页，按键盘上的 Enter 键可回到本书目录页，按键盘上方向键 ↑ 可回到本页顶部！
————未阅读完？加入书签已便下次继续阅读！
嗟币徊糠忠婊故遣恢С炙摹６壹词故悄芄凰饕车摹oogle，也在多个场合中明确表示不保证检索全部的动态网页。 四、超链分析技术的应用 超链分析技术已为世界各大搜索引擎普遍采用，在我国使用该项技术的搜索引擎有：百度（baidu ）搜索引擎使用了高性能的“网络蜘蛛”程序自动在互联网中搜索信息，可定制、高扩展性的调度算法使得搜索器能在极短的时间内收集到最大数量的互联网信息。百度在中文互联网拥有天然优势，支持搜索 1。3 亿个中文网页，是现在最大的中文搜索引擎。并且，百度每天都在增加几十万新网页，对重要中文网页实现每天更新。百度除了用超链分析排名外还开展竞价排名。具有网页快照，相关搜索、中文人名识别、简繁体中文自动转换、网页预览等功能，还可以进行专业的MP3 搜索、Flash 搜索、新闻搜索、图片搜索、信息快递搜索。百度总裁李彦宏就是超链分析专利的唯一持有人。 引入人工智能的慧聪（huicong ）行业搜索引擎对于商务人士而言尤为有用。如果在Google 上输入“化工”，搜索出相关网页有 138 万个，里面包罗万象，有用的、无用的混杂在一起，如果用户想找的网站正好排名在上千、上万个以后，无疑面对的是一个 茫茫网海，找到这个信息十分困难。而在慧聪行业搜索引擎，弹出的首先是一个分类页面，列有有机化工、石油化工、精细化工、印刷化工等43 个行业分类的条目，虽然只有 1 万多条查询结果，针对性却非常强，用户可以快速找到自己需要的信息，网站与有效用户的见面机会大大增强。模拟人类智慧，更好地使用技术来完成更具智慧的搜索，必然是下一代搜索引攀技术的发展趋势。 五、存在的缺陷用户在搜索关于某些内容的有效信息时，最大的特点是各异性。利用超链分析技术，用 户将接受一种根据某种标准进行网页排名的信息服务，从而演变成为各网站想尽办法追求网 页排名的商业活动。 海量的网页被收集回来，用姓名、电话、单位名称或网名都可以搜索到许多含有此关键词的信息，这些信息有不少侵权、侵犯隐私、泄露机密的信息，尤其是大量论坛的贴子被收录，不少贴子言论含有攻击的成分。所以如何及时处理掉这些链接又是搜索引擎急需解决的问题。 第三节 中文分词一、什么是中文分词？ 英文是以词为单位的，词和词之间是靠空格隔开，而中文是以字为单位，句子中所有的 字连起来才能描述一个意思。例如，英文句子“I am a student。”，用中文则为：“我是一个 学生”。计算机可以很简单通过空格知道 student 是一个单词，但是不能很容易明白“学”、 “生”两个字合起来才表示一个词。把中文的汉字序列切分成有意义的词，就是中文分词， 有些人也称为切词。我是一个学生，分词的结果是：“我”“是”“一个”“学生”。 二、中文分词的意义和作用 要想说清楚中文分词的意义和作用，就要提到智能计算技术。智能计算技术涉及的学科包括物理学、数学、计算机科学、电子机械、通讯、生理学、进化理论和心理学等等。简单的说，智能计算就是让机器“能看会想，能听会讲”。要想实现这样的一个目标，首先就要让机器理解人类的语言，只有机器理解了人类的语言文字，才使得人与机器的交流成为可能。再反观我们人类的语言中，“词是最小的能够独立活动的有意义的语言成分”，所以对于中文来讲，将词确定下来是理解自然语言的第一步，只有跨越了这一步，中文才能像英文那样过渡到短语划分、概念抽取以及主题分析，以至自然语言理解，最终达到智能计算的最高境界，实现人类的梦想。 从现阶段的实际情况来看，英文已经跨越了分词这一步，也就是说在词的利用上已经先一步，并且已经展现了良好的应用前景，无论是信息检索还是主题分析的研究都要强于中文，究其根本原因就是中文要通过分词这道难关，只有攻破了这道难关，我们才有希望赶上并超过英文在信息领域的发展，所以中文分词对我们来说意义重大，可以说直接影响到使用中文的每一个人的方方面面。 中文分词到底对搜索引擎有多大影响？对于搜索引擎来说，最重要的并不是找到所有结果，因为在上百亿的网页中找到所有结果没有太多的意义，没有人能看得完，最重要的是把最相关的结果排在最前面，这也称为相关度排序。中文分词的准确与否，常常直接影响到对搜索结果的相关度排序。在现有三个中文搜索引擎上做测试，测试方法是直接在 Google （google ）、百度（baidu ）、中搜（zhongsou ） 上以“和服”为关键词进行搜索： 在 Google 上输入“和服”搜索所有中文简体网页，总共结果 507，000 条，前20 条结果中有 14 条与和服一点关系都没有。在第一页就有以下错误：“通信信息报：瑞星以技术和服务开拓网络安全市场”“使用纯 HTML 的通用数据管理和服务… 开发者… ZDNet 。。。”“陈慧琳《心口不一》化妆和服装自己包办”“：：外交部：中国境外领事保护和服务指南（2003 年版） 。。。”“产品和服务” 等等。第一页只有三篇是真正在讲“和服”的结果。 在百度上输入“和服”搜索网页，总共结果为 287，000 条，前20 条结果中有 6 条与和服一点关系都没有。在第一页有以下错误： “福建省晋江市恒和服装有限公司系独资企业” “关于商品和服务实行明码标价的规定” “青岛东和服装设备” 在中搜上输入“和服”搜索网页，总共结果为 26，917 条，前 20 条结果都是与和服相关的网页。 这次搜索引擎结果中的错误，就是由于分词的不准确所造成的。Google的中文分词技术采用的是美国Basis Technology（basistech ）公司提供的中文分词技术，百度使用的是自己公司开发的分词技术，中搜使用的是国内海量科技（hylanda）提供的分词技术。由此可见，中文分词的准确度，对搜索引擎结果相关性和准确性有相当大的关系。 三、中文分词技术中文分词技术属于自然语言处理技术范畴，对于一句话，人可以通过自己的知识来明白 哪些是词，哪些不是词，但如何让计算机也能理解？其处理过程就是分词算法。 现有的分词算法可分为三大类：基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法。 1、基于字符串匹配的分词方法这种方法又叫做机械分词方法，它是按照一定的策略将待分析的汉字串与一个“充分大 的”机器词典中的词条进行匹配，若在词典中找到某个字符串，则匹配成功（识别出一个词）。 按照扫描方向的不同，字符串匹配分词方法可以分为正向匹配和逆向匹配；按照不同长度优 先匹配的情况，可以分为最大（最长）匹配和最小（最短）匹配；按照是否与词性标注过程 相结合，又可以分为单纯分词方法和分词与标注相结合的一体化方法。常用的几种机械分词 方法如下：速度快、效率高的特点，又利用了无词典分词结合上下文识别生词、自动消除歧义的优点。 到底哪种分词算法的准确度更高，目前并无定论。对于任何一个成熟的分词系统来说， 不可能单独依靠某一种算法来实现，都需要综合不同的算法。比如，海量科技的分词算法就 采用“复方分词法”。所谓复方，相当于用中药中的复方概念，即用不同的药才综合起来去 医治疾病，同样，对于中文词的识别，需要多种算法来处理不同的问题。 四、分词中的难题有了成熟的分词算法，是否就能容易地解决中文分词问题呢？事实远非如此。中文是一 种十分复杂的语言，让计算机理解中文语言更是困难。在中文分词过程中，有两大难题一直 没有完全突破。 1、歧义识别歧义是指同样的一句话，可能有两种或者更多的切分方法。例如：表面的，因为“表面” 和“面的”都是词，那么这个短语就可以分成“表面”“的”和“表”“面的”。这种称为交 叉歧义。像这种交叉歧义十分常见，前面举的“和服”的例子，其实就是因为交叉歧义引起 的错误。“化妆和服装”可以分成“化妆”“和”“服装”或者“化妆”“和服”“装”。由于没 有人的知识去理解，计算机很难知道到底哪个方案正确。交叉歧义相对组合歧义来说是还算比较容易处理，组合歧义就必需根据整个句子来判断 了。例如，在句子“这个门把手坏了”中，“把手”是个词，但在句子“请把手拿开”中， “把手”就不是一个词；在句子“将军任命了一名中将”中，“中将”是个词，但在句子“产 量三年中将增长两倍”中，“中将”就不再是词。这些词计算机又如何去识别？如果交叉歧义和组合歧义计算机都能解决的话，在歧义中还有一个难题，是真歧义。真 歧义意思是给出一句话，由人去判断也不知道哪个应该是词，哪个应该不是词。例如：“乒 乓球拍卖完了”，可以切分成“乒乓”“球拍”“卖”“完”“了”、也可切分成“乒乓球”“拍 卖”“完”“了”，如果没有上下文其他的句子，恐怕谁也不知道“拍卖”在这里算不算一个 词。 2、新词识别新词，专业术语称为未登录词，也就是那些在字典中都没有收录过，但又确实能称为词 的那些词。最典型的是人名，人可以很容易理解句子“王军虎去广州了”中，“王军虎”是 个词，因为是一个人的名字，但要是让计算机去识别就困难了。如果把“王军虎”做为一个 词收录到字典中去，全世界有那么多名字，而且每时每刻都有新增的人名，收录这些人名本 身就是一项巨大的工程。即使这项工作可以完成，还是会存在问题，例如：在句子“王军虎 头虎脑的”
温馨提示： 温看小说的同时发表评论，说出自己的看法和其它小伙伴们分享也不错哦！发表书评还可以获得积分和经验奖励，认真写原创书评 被采纳为精评可以获得大量金币、积分和经验奖励哦！