耳根,欢乐颂

主頁 > 知識庫 > 高手總結(jié)分析如果利用baidu分詞算法分析之二（轉(zhuǎn)）

高手總結(jié)分析如果利用baidu分詞算法分析之二（轉(zhuǎn)）

Checker拼寫檢查錯誤提示(以及拼音提示功能)

拼寫檢查錯誤提示是搜索引擎都具備的一個功能,也就是說用戶提交查詢給搜索引擎,搜索引擎檢查看是否用戶輸入的拼寫有錯誤,對于中文用戶來說一般造成的錯誤是輸入法造成的錯誤.那么我們就來分析看看百度是怎么實現(xiàn)這一功能的.

　　我們分析拼寫檢查系統(tǒng)關(guān)注以下幾個問題:

　　(1)系統(tǒng)如何判斷用戶的輸入是有可能發(fā)生錯誤的查詢呢?

　　(2)如果判斷是可能錯誤的查詢輸入,如何提示正確的詞匯呢?

　　那么百度是如何做的呢?百度判斷用戶輸入是否錯誤的標準,我覺得應(yīng)該是查字典,如果發(fā)現(xiàn)字典里面不包含這個詞匯,那么很有可能是個錯誤的輸入,此時啟動錯誤提示功能,這個很好判斷,因為如果是一個正常詞匯的話,百度一般不會有錯誤提示,而你故意輸入一個詞典不可能包含的所謂詞匯,此時百度一般會提示你正確的檢索詞匯.

　　那么百度是怎么提示正確詞匯的呢?很明顯是通過拼音的方式,比如我輸入查詢" 制才",百度提供的提示詞匯為: “:制裁質(zhì)材紙材",都是同音字.所以百度必然維持著一個同音詞詞典,里面保留著同音詞信息,比如可能包含著下面這條詞條: “ zhi cai à制裁,質(zhì)材,紙材",另外還有一個標注拼音程序,現(xiàn)在能夠看到的基本流程是: 用戶輸入" 制才",查詞典,發(fā)現(xiàn)沒有這個詞匯,OK,啟動標注拼音程序,將" 制才"標注為拼音"zhi cai",然后查找同音詞詞典,發(fā)現(xiàn)同音詞" 制裁,質(zhì)材,紙材",那么提示用戶可能的正確拼寫.

　　整體流程看起來很簡單,但是還有一些遺留的小問題,比如是否將詞表里面所有同音詞都作為用戶的提示信息呢?比如某個拼音有10個同音詞,是否都輸出呢?百度并沒有將所有同音詞都輸出而是選擇一定篩選標準,選擇其中幾個輸出.怎么證明這一點?我們看看拼音"liu li"的同音詞,紫光輸入法提示同音詞匯有" 流麗流離琉璃流利"4個,我們看看百度返回幾個,輸入"流厲"作為查詢,這里是故意輸入一個詞典不包含的詞匯,這樣百度的拼寫檢查才開始工作,百度提示: " 琉璃劉麗劉莉 ",這說明什么?說明不是所有同音詞都輸出,而是選擇輸出,那么選擇的標準是什么?我能夠猜測到的方法是對于用戶查詢LOG進行統(tǒng)計,提取用戶查詢次數(shù)多的那些同音詞輸出,如果是這樣的話,上面的例子說明用戶搜索"琉璃"次數(shù)比其它的都要高些,次之是" 劉麗",再次是" 劉莉",看來大家都喜歡查詢自己或者認識的人的名字.

　　另外一個小問題:同音詞詞典包含2字詞,3字詞,那么是否包含4字詞以及更長的詞條?是否包含一字詞? 這里一字詞好回答,不用測試也能知道肯定不包含,因為你輸入一個字,誰知道是否是錯誤的呢?反正只要是漢字就能在詞表里面找到,所以沒有判斷依據(jù).二字詞是包含的,上面有例子,三字詞也包含,比如查詢 "中城藥"百度錯誤提示:"中成藥",修改查詢?yōu)?重城藥",還是提示"中成藥" ,再次修改查詢 "重城要",百度依然提示"中成藥". 那么4字詞匯呢?

百度還是會給你提示的,下面是個例子:

　　輸入:靜華煙云提示京華煙云

　　輸入:靜話煙云提示京華煙云

　　輸入:靜話閻暈提示京華煙云

　　那么更長的詞匯是否提示呢?也提示,比如我輸入: "落花世界有風(fēng)軍",這個查詢是什么意思,估計讀過古詩的都知道,看看百度的提示"落花時節(jié)又逢君",這說明什么?說明同音詞詞典包含不同長度的同音詞信息,另外也說明了百度的核心中文處理技術(shù),也就是那個詞典,還真挺大的.

　　但是,如果用戶輸入的查詢由兩個或者兩個以上子字符串構(gòu)成,那么百度的錯誤提示功能就罷工了,比如輸入查詢"哀體",百度提示"艾提挨踢",但是.輸入為 "我哀體 ",則沒有任何錯誤提示.

　　還有一個比較重要的問題:如果漢字是多音字那么怎么處理?百度呢比較偷懶,它根本就沒有對多音字做處理.我們來看看百度的一個標注拼音的錯誤,在看這個錯誤前先看看對于多音字百度是怎么提示錯誤的,我們輸入查詢"俱長",百度提示"劇場局長", “俱長"的拼音有兩個:"ju zhang /ju chang" ,可見如果是多音字則幾種情況都提示..現(xiàn)在我們來看看錯誤的情況, 我們輸入查詢"劇常",百度提示":劇場局長",提示為"劇場"當然好解釋,因為是同音字,但是為什么 "局長"也會被提示呢?這說明百度的同音字詞典有錯誤,說明在"ju chang"這個詞條里面包含"局長"這個錯誤的同音詞.讓我們順藤摸瓜,這個錯誤又說明什么問題呢?說明百度的同音詞典是自動生成的,而且沒有人工校對.還說明在自動生成同音詞典的過程中,百度不是根據(jù)對一篇文章標注拼音然后在抽取詞匯和對應(yīng)的拼音信息獲得的,而是完全按照某個詞典的詞條來標注音節(jié)的,所以對于多音字造成的錯誤無法識別出來,如果是對篇章進行拼音標注,可能就不會出現(xiàn)這種很容易發(fā)現(xiàn)的錯誤標注. 當然還有另外一種解釋,就是"局長"是故意被百度提示出來可能的正確提示詞匯,因為考慮到南方人"zh"和 "ch"等前后鼻音分不清么,那么是這樣的么?我們繼續(xù)測試到底是何種情況.是百度有錯誤還是這是百度的先進的算法?

我們考慮詞匯"長大 ",故意錯誤輸入為"贓大",如果百度考慮到了前后鼻音的問題,那么應(yīng)該會提示"長大",但是百度提示是"藏大".這說明什么?說明百度并沒有考慮前后鼻音問題,根本就是系統(tǒng)錯誤. 我們輸入查詢"懸賞",故意將之錯誤輸入為"懸桑",沒有錯誤提示,說明確實沒有考慮這種情況.前鼻音沒有考慮,那么后鼻音考慮了么,我們輸入":經(jīng)常",故意改為后鼻音 "經(jīng)纏",百度提示為"經(jīng)產(chǎn)經(jīng)懺",還是沒有考慮后鼻音.這基本可以確定是百度系統(tǒng)的錯誤導(dǎo)致.

　　根據(jù)以上推導(dǎo), 我們可以得出如下結(jié)論:百度是將分詞詞典里面每個詞條利用拼音標注程序標注成拼音,然后形成同音詞詞典,所以兩個詞典是同樣大的 ,而且這個詞典也隨著分詞詞典的增長而在不斷增長. 至于標注過程中多音字百度沒有考慮,如果是多音字就標注成多個發(fā)音組合,通過這種方式形成同音詞詞典.這樣的同音詞詞典顯然包含著很多錯誤.

　　最后一個問題:百度對于英文進行拼寫檢查么?讓我們試試看,輸入查詢"china",不錯,搜到不少結(jié)果,專注中文搜索的百度還能搜索到英文,真是意外的驚喜.變換一下查詢"chine",會更加意外驚喜的給我們提示"china"嗎?百度提示的是: 吃呢持呢,原來是不小心觸發(fā)了百度的拼音搜索功能了.那么拼音搜索和中文檢查錯誤是否采用同一套同音詞詞典呢,讓我們來實驗一下,搜索"rongji",百度提示" 榕基溶劑容積",OK,換個中文查詢"容機",百度提示" 榕基溶劑容積",看來使用的是同一套同音詞詞典.也就是說百度的中文糾錯和拼音檢索使用的機制相同,中文糾錯多了一道拼音注音的過程而已.難道這就是傳說中那個百度的"事實上是一個無比強大的拼音輸入法"的拼音提示功能么?

最后讓我們總結(jié)歸納一下百度的拼寫檢查系統(tǒng):

　　后臺作業(yè): (1)前面的文章我們說過,百度分詞使用的詞典至少包含兩個詞典一個是普通詞典,另外一個是專用詞典(專名等),百度利用拼音標注程序依次掃描所有詞典中的每個詞條,然后標注拼音,如果是多音字則把多個音都標上,比如"長大",會被標注為"zhang da/chang da"兩個詞條.

　　(2)通過標注完的詞條,建立同音詞詞典,比如上面的"長大",會有兩個詞條: zhang daà長大" , chang daà長大.

　　(3)利用用戶查詢LOG頻率信息給予每個中文詞條一個權(quán)重;

　　(4)OK,同音詞詞典建立完成了,當然隨著分詞詞典的逐步擴大,同音詞詞典也跟著同步擴大;

　　拼寫檢查:

　　(1)用戶輸入查詢,如果是多個子字符串,不作拼寫檢查;

　　(2)對于用戶查詢,先查分詞詞典,如果發(fā)現(xiàn)有這個單詞詞條,OK, 不作拼寫檢查;

　　(3)如果發(fā)現(xiàn)詞典里面不包含用戶查詢,啟動拼寫檢查系統(tǒng);首先利用拼音標注程序?qū)τ脩糨斎脒M行拼音標注;

　　 (4)對于標注好的拼音在同音詞詞典里面掃描,如果沒有發(fā)現(xiàn)則不作任何提示;

　　(5)如果發(fā)現(xiàn)有詞條,則按照順序輸出權(quán)重比較大的幾個提示結(jié)果;

　　

　　拼音提示:

　　(1)對于用戶輸入的拼音在同音詞詞典里面掃描,如果沒有發(fā)現(xiàn)則不作任何提示;

　　(2)如果發(fā)現(xiàn)有詞條,則按照順序輸出權(quán)重比較大的幾個提示結(jié)果。

標簽：葫蘆島邵陽岳陽南陽南陽泉州撫州白城

巨人網(wǎng)絡(luò)通訊聲明：本文標題《高手總結(jié)分析如果利用baidu分詞算法分析之二（轉(zhuǎn)）》，本文關(guān)鍵詞高手,總結(jié),分析,如果,利用,；如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題，煩請?zhí)峁┫嚓P(guān)信息告之我們，我們將及時溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò)，涉及言論、版權(quán)與本站無關(guān)。