百度搜索引擎中文分词的三点原理

百度中文分词算法：指搜索引擎为了更好的辨别用户的需求，并且为了快速提供给用户需求性信息而使用的算法。

　　搜索引擎要在单位时间内处理千万亿级的页面数据量，因此搜索引擎拥有一个中文词库。比如百度现在大约有9万个中文词，那么搜索引擎就可以对千亿级的页面进行分析，按照中文词库进行了分类。

　　百度分词基本有三种分法

　　1、基于理解：傻瓜式匹配，小于等于3个中文字符百度是不进行切词的，比如搜索“大学堂”。

　　2、基于统计：百度把一个词标红的原因：标红的词一般是一个关键词，你搜索“学”字的时候，百度它自认的把“学习”也当成了一个关键词，所以出现“学习”这个词标红，这就是百度分词法：基于统计分词。

　3、基于字符串匹配(：正向最大切词法)

　　最大与最小(最大匹配：一直匹配到没词可配;最小匹配：匹配出词了就停止匹配，再从另一个词开始匹配)比如：百度搜索“湖南大学堂屋顶”，百度的一个分词算法我们把它当成一个黑盒子，我们通过一些输入关键词，根据百度的输出结果来判定百度的分词算法。正向与反向(正向：从前往后配;反向：从后往前配)(湖南大学堂屋顶)正向分法：湖南大学 堂屋 顶 (刘强大地方法)正向分法：刘 强大 地方 法。反向分法：方法 大地 刘 强。而在这个词语当中“大地”不是一个词。

　另外，切词原理：百度有专有词库(是不可分割的)比如杰出人物(如：毛泽东)明星(如:刘德华)检索量大的词(如：买票难) 。

　　当然这些只是百度中文分词原理的一部分，也不是全对。因为的百度的算法是不可能透露出来，商业机秘如果让你知道，那岂不是有N多的百度了。

本文转载于贵阳论坛及本人博客 http://ttqqzr.blog.sohu.com/百度的中文分词三点原理