規(guī)則和統(tǒng)計相結合的分詞算法.pdf

1、我們已經(jīng)進入一個信息革命的新時代，這個信息時代的顯著特點是計算機在人類生活的各個方面，起著越來越大的作用。自然語言是人們最重要的交際工具，它與信息處理有著十分密切的關系。在書面漢語中，詞在句中沒有顯式的標記。因此，理解漢語的首要任務就是把連續(xù)的漢字串分割成詞的序列，即自動分詞<'[1]>。 目前大多數(shù)分詞研究都完全依賴計算機完成切分工作，不希望人工介入。但其結果往往不盡如人意。因為計算機要想準確切分文本，就一定要建立在對文本語義

2、理解的基礎之上；而要想讓計算機能夠理解中文語義，則首先要進行分詞。不難理解，陷入這樣的循環(huán)之中，是很難得到理想的切分結果的。 作者在本文中提出了一種新的規(guī)則與統(tǒng)計相結合的分詞方法。本方法的新穎之處在于，解決了理解與切分孰先孰后的兩難問題，通過人工介入來選擇特定領域詞庫，從而縮小了規(guī)則匹配的范圍，提高了詞庫與待切分語料的匹配度；在此基礎上，優(yōu)先采用規(guī)則方法初分語料，最后使用統(tǒng)計方法對已切分的語料進行進一步處理。 由于本實驗

3、的核心目的是為證明經(jīng)過人工介入選擇特定領域詞庫，會使規(guī)則與統(tǒng)計相結合的方法對文本的切分準確率明顯提高，所以，作者采用了最有代表性的正向最大匹配的規(guī)則切分方法和切分準確率較高的md統(tǒng)計切分方法，分別使用規(guī)則切分、統(tǒng)計切分以及規(guī)則與統(tǒng)計相結合的方法處理相同語料，并對切分結果進行統(tǒng)計分析。實驗用到的詞庫關鍵在于分類合理、內容準確以及符合實際。作者經(jīng)過認真地總結和細心的整理，完成了詞匯的歸類和遴選的工作，包括地名、區(qū)劃、計算機、俗語、動漫游戲、