中文分词和搜索引擎（三）

中文分词和搜索引擎
中文分词除了在索引结构上影响搜索引擎以外，还会如何影响搜索引擎？

除了搜索引擎的索引过程需要用到分词以外，所有的搜索之前也需要用到分词。有些人误认为"短语搜索"（即两端加上引号的搜索方式，搜索引擎基本都支持这种方式，查看搜索引擎帮助）是直接拿字符串去匹配不用分词，因为结果看上去好像是字符串匹配的结果。其实不然，短语搜索同样需要用分词，只不过在结果中需要位置连续等严格限制。当位置连续时，在显示摘要的时候，会让你感觉只是用字符串匹配。

除了在搜索前端后端都需要用到分词以外，搜索引擎还有一个原则：前端后端分词结果应该一致。这意思是说，如果你在索引时没有识别出"文德"的人名，你在搜索时最好也别识别出来，这样可以按照两个单字的方式查找，或许有正确结果，否则会查不到结果。反之也一样。由于索引过程中，分词输入的一篇文章，有大量的上下文信息，但在搜索时，用户输入的可能只有几个字，很多上下文信息不在存在。如果过多使用统计或机器学习，很容易导致搜索引擎的前端后端分词不一致的问题。这也是搜索引擎使用分词和其他系统，如机器翻译，使用分词不一样的地方。

如果你看过搜索引擎的query log（即所有搜索词的记录），你会发现新词很多，会占30%，或者更多。对这些新词的识别会直接影响搜索结果的准确性，或者说相关性。搜索结果的相关性决定于排序算法，排序算法一部分依赖于网页的质量和权威性，另一方面依赖于分词结果的准确性。分词结果准确，我们会方便的计算词在文章中的重要程度。"超女"做为一个词在文章中的权重，和"超"、"女"两个字在文章中的权重计算方法会很不一样，这样就会直接影响相关性的计算。

中文分词对于搜索引擎的影响，还表现在对于用户输入词意图的识别。识别用户的输入词是否是人名、网站名、软件名还是其他通用词汇，能够判断用户的意图，从而提供用户想要的结果。

其实中文分词是所有中文处理的基础，因此如果有一个好的分词系统，会对改进搜索引擎的相关性有很大的帮助。但最终展现给用户的是网页结果而不是分词结果，提高网页的相关性，有100%准确的分词也是不够。如何在准确的中文分词基础上，做更多的分析和挖掘，理解用户的意图，满足用户的需要，是每个搜索引擎公司都在努力做的事情。

雅虎的中文分词
YST 是Yahoo Search Technology的缩写。Yahoo收购inktomi公司后，又收购了几家做搜索的公司，综合打造出自己的搜索引擎技术。最开始，雅虎没有分词技术(segmentation), 中文、日文、韩文....等都是使用的第三方的产品。后来，随着雅虎正式进入中文搜索市场，雅虎开始加强对中文分词的研究，现在YST中使用的中文分词系统已经是雅虎中国和雅虎美国工程师共同开发的版本－－YWS(Yahoo Word Segmenter)，而且现在还在持续不断的改进。YWS 在对于人名、地名、机构名等新词识别方面有很不错的准确度，对于query的分析提供了很大帮助。

然而，对于搜索引擎厂商来说，没有最好的分词，只有最合适的分词。如何改进分词系统，配合以合适的索引结构，最终不断提高用户的满意度，这是一个长期的课题。