第四章谈谈中文分词

1.中文分词的演变

由于中文等语言，字与字之间是没有空格隔开的，所以需要分词。最简单的分词就是查字典。就是从左到右或者从右到左扫描一句话，然后找到最长的匹配。这种方法可以解决七八成的分词问题。但是毕竟太简单了一点。后来哈工大王晓龙博士把查字典方法理论化，发展成最少词数的分词理论，即一句话应该分成数量最少的词串。但是他无法解决“北京大学生”这样的二义性分割问题。直到20世纪90年代，郭进博士用统计语言模型成功解决了分词二义性问题。假设我们有几种不同的分词方法，那么最好的方法应该是出现概率最大的划分。

在分词上，没有一种绝对正确的划分，根据不同的需要，我们可能有不同的划分方法，“北京大学”，我们可以直接分成“北京大学”，或者分成“北京”+“大学”。

另外不止中文需要分词，有时候，英语也需要分词，尤其是单词间空格不清楚的手写体。

最后，虽然统计语言模型分词可以取得比人工更好的结果，但也不是完全正确，我们只能遵循“大多数人的想法”。

2.延伸阅读：工程上的细节问题

2.1 分词一致性

正如上面说的，分词没有绝对正确的，对一个词可能会有不同的分法。我们不能说准确率97%的一定比95%的分词器好，只能说97%的和人工分词结果更吻合。

2.2 词的颗粒度和层次

分词不一致的主要原因在于人们对词的颗粒度的认识问题。有些地方（比如机器翻译），颗粒度大的效果好，但是有些地方（比如网页搜索），颗粒度小的比较好。次要原因是分词的错误造成的，比如把“北京大学生”分成“北京大学”、“生”，这种属于越界型错误；还有就是把“性价比”这样的词分成三个，这是覆盖型错误。

我们不可能对不同的应用构造不同的分词器，最好是让一个分词器同时支持不同层次的词的切分。

首先我们需要“北京”、“大学”这样的即本次和“北京大学”这样的复合词，为它们各建立一个语言模型L1,L2。先用基本词分句，在用复合词整合。