基于最大匹配的書面漢語自動分詞研究.pdf

1、書面漢語自動分詞是中文信息處理中的重要步驟，它是文本校對、機器翻譯、文本分類、文本檢索、計算機人機接口等諸多中文信息應(yīng)用領(lǐng)域的基礎(chǔ)。目前漢語自動分詞方法主要包括基于字符串匹配的方法、基于統(tǒng)計的方法和基于理解的方法。本文在深入分析現(xiàn)有自動分詞算法的基礎(chǔ)上，著重研究了基于字符串匹配的漢語自動分詞算法，引入最大匹配法預(yù)處理分詞，同時運用統(tǒng)計方法進(jìn)行歧義切分和未登錄詞識別。 根據(jù)漢語中二字詞較多的特點，給出一種改進(jìn)的自動分詞詞典機制，該

2、機制在詞典數(shù)據(jù)結(jié)構(gòu)中增加二字詞檢測位圖表。在此基礎(chǔ)上，對最大匹配分詞算法進(jìn)行改進(jìn)，實現(xiàn)了一種基于二字詞檢測位圖表的最大匹配分詞算法，本算法利用二字詞檢測位圖表快速判斷二字詞，減少詞典匹配次數(shù)，以提高自動分詞速度。針對偽歧義型高頻最大交集型歧義字段在大型語料庫中表現(xiàn)出較強的穩(wěn)定性和一定的覆蓋能力，歧義處理著重于研究該類歧義字段的自動獲取，將它們的正確切分形式記錄到歧義庫中，其歧義消解通過直接查表實現(xiàn)，這在本質(zhì)上是一種基于記憶的策略。未登錄

3、詞識別技術(shù)研究著眼于Web資源中未登錄詞的獲取，并提出一種基于Web查詢?nèi)罩镜奈吹卿浽~識別算法，本算法分析Web查詢?nèi)罩镜乃阉麝P(guān)鍵字頻度表識別未登錄詞。 基于上述研究結(jié)果，設(shè)計并實現(xiàn)了一個面向?qū)嶋H應(yīng)用的書面漢語自動分詞系統(tǒng)。實驗結(jié)果表明：在相同條件下，基于二字詞檢測位圖表的最大匹配分詞算法較原算法分詞速度更快。利用卡耐基梅隆大學(xué)分詞評估系統(tǒng)進(jìn)行評測，評測結(jié)果表明，基于二字詞檢測位圖表的最大匹配分詞算法的查準(zhǔn)率提高了3.57％，F(xiàn)