中文分词和二元分词综合对比

标签: 算法 文档 测试
5744人阅读 评论(0) 收藏 举报

中文分词和二元分词综合对比

 

           
    为了测试中文分词和二元分词的差异,现将初步的测试数据做了对比。关于二元分词可以参考车东先生的相关文章。
   

采用中文分词每1M产生1.55M的索引文件,膨胀率1.55;每1M用时大约10秒;采用二元分词每1M产生2.21M的索引文件,膨胀率2.21;每1M用时大约7秒;

从搜索结果来看,两者可以大致相同数量的搜索结果(显示结果根据相关度排列顺序不同)。    

对文本进行中文分词的目的是要提高文档检索的相关性,由于相关性的算法(如下图)涉及到很多因素,所以对二元切分和中文分词切分显示结果到底谁更相关(人理解的意义相关?),还无法得出结论。

相关度算法:

score(q,d) =

Σ

tf(t in d) * idf(t) * getBoost(t.field in d) * lengthNorm(t.field in d)

 * coord(q,d) * queryNorm(q)

t in q

 

 

       但有一点可以肯定,采用中文分词多花的解析中文时间可以带来丰厚的回报:索引文件和Term数量的大大减少。

可参考本文最后表格的图片对比。图中的数据是出现频率第100120Term情况,二元分词产生了大量的没有意义的Term

 

 

 

数据源大小(M

索引大小

膨胀率

Term个数

每兆Term个数

所用时间(秒)

/M

中文

14.20

22.50

1.584

76473.00

5385.42

105

7.394

二元

14.20

31.50

2.218

384488.00

27076.62

87

6.126

中文

4.73

7.54

1.594

84895.00

17948.20

50

10.570

二元

4.73

11.00

2.325

238064.00

50330.66

35

7.399

 

 

 

中文分词

二元分词

索引源大小

14.2M

14.2M

索引源内容

论坛某天全部发言

论坛某天全部发言

建立索引用时

105

87

索引文件大小

22.5M

31.5M

生成的Term

76473

384488   5.02倍)

文档数

6802

6802

搜索:XX

236 (搜索结果(条))

235(搜索结果(条))

XX

361

361

XX

769

768

XX

50

50

XX

41

41

XX

3

3

XX

0

0

最常出现的词:

Rank = 查询Text出现的次数

 

 

 

                                              作者:lhelper  我要去桂林

 

查看评论

Lucene自定义分词:合并IK分词+二元分词

索引命中效果不佳,采用IK分词与二元分词的效果都不是特别好,于是设计了新的自定义分词器,先将句子用IK分词分开,再对长度超过3的词进行二元分词。 以下是分词器的实现效果图。 实现思路 先建立IK分词...
  • fzu_rookie
  • fzu_rookie
  • 2015-09-23 15:39:58
  • 2570

常用分词算法笔记

常用统计语言模型,包括了N元文法统计模型(N-gram Model)、隐马尔科夫模型(Hidden Markov Model,简称HMM)、最大熵模型(Maximum Entropy Model)。 ...
  • earbao
  • earbao
  • 2015-01-23 10:55:32
  • 9608

关于中文分词的一元分词讨论

一元分词:指语句中每个字都成词,按字切分,不去组合,类似英文单词。回合1: 支持一元分词的观点: 其实solr自带的跨语言自然一元分词就很好了,怎么测效果也不比国内搞的分词差,也许大多数情况下不需...
  • shibing624
  • shibing624
  • 2016-06-16 23:12:18
  • 2150

lucene初探(二):中文分词,以及系统自带分词简单比较

lucene学习我不得不承认这门技术是我目前接触的最有难度的一门技术,也许是因为我最近比较浮躁吧,也也是因为我没有找到,官方的说明文档和网络上比较不错的视频教程,不是有的讲解人普通话说得跟方言似的,英...
  • do_bset_yourself
  • do_bset_yourself
  • 2016-06-06 17:30:58
  • 884

用python实现NLP中的二元语法模型

最近刚接触NLP,使用的书是宗成庆的《统计自然语言处理》,看到n元语法模型这一章节,于是用python写了出来。 而一切的起源,则是一个简单的问题。 1 基于以下语料建立语言模型 研究生物...
  • firparks
  • firparks
  • 2017-01-15 19:21:27
  • 2071

基于二元语法模型的中文分词

一、 基于二元语法模型分词的思想 下面是该程序的主要过程与思路: 1、针对语料库进行训练。 本程序使用的是北大提供的人民日报1998 年1 月的语料库,包含约110万词。由于采用二元语法模型,...
  • md_555
  • md_555
  • 2015-06-24 13:01:15
  • 1303

二元语法(2-gram)分词中的平滑算法

从一年前的计算语言学作业开始,我一直没明白,为什么我写的二元语法分词要比一元语法差。两天来我仔细分析了一下之前的实验细节,发现二元语法分词要超过一元语法,可以有两种方式:1.超大的语料;2.强大的平滑...
  • u012556077
  • u012556077
  • 2015-09-11 19:12:05
  • 579

中文分词和二元分词综合对比

中文分词和二元分词综合对比                   为了测试中文分词和二元分词的差异,现将初步的测试数据做了对比。关于二元分词可以参考车东先生的相关文章。    ...
  • accesine960
  • accesine960
  • 2005-06-17 13:12:00
  • 5744

NLP︱中文分词技术小结、几大分词引擎的介绍与比较

NLP︱中文分词技术小结、几大分词引擎的介绍与比较 笔者想说:觉得英文与中文分词有很大的区别,毕竟中文的表达方式跟英语有很大区别,而且语言组合形式丰富,如果把国外的内容强行搬过来用,不一样...
  • BBZZ2
  • BBZZ2
  • 2017-05-25 16:07:21
  • 1034

中文分词(一)

jieba分词实践用python搭建一个websever,通过调用jieba提供一个分词服务。Code如下#!/usr/bin/pythonimport os import sysos.system(...
  • shaguabufadai
  • shaguabufadai
  • 2017-05-28 19:59:32
  • 473
    个人资料
    持之以恒
    等级:
    访问量: 127万+
    积分: 1万+
    排名: 873
    微博交流