SegWord是一个开放项目[1],由其小组成员进行开发维护,稳定版本软件(包括程序与文档)将公开在网络上供参考与交流.下面是其简单介绍:
SegWord为一个分词系统,满足:
(1)分词
(2)获得义性分布
(3)词表自调整
三个目的。 其中
(1)表明该系统可对汉语文本进行分词;这是这个系统的基本属性之一。但是,设计者认为不能为分词而分词,故本系统的研究重点为目的(2)和(3)。
(2)更广泛的看,分词的实质是“组合”,即由小结构组合为大结构并对结构的属性同时进行组合与变换。也就是说,分词不仅要给出词的分割,也应给出这种结构所对应的属性,例如词性,语义选项,未登录词属性等,统称为义性分布。这是后续处理的重点依据。
(3)分词依赖于一定的词表。但是,词表本身若由人来提供,总是存在一定的局限。考虑机器学习的运用,寻找词表自调整的方法与思路。这也是本项目的难点。
例如,对于输入:
这是一种烤制猪排、羊排和牛排的方法。
希望经SegWord处理后,可以获得:
这 是 [一种] [烤制] [猪排] 、 [羊排] 和 [牛排] 的 [方法]
同时,各个词语单位的义性可以自动习得,如“烤制”是v,“牛排”是n,若词库中没有收录“羊排”,计算机可以习得这是一个和“牛排”近似的结构,经一定的策略可以对词库进行更新。
综上,本分词系统将是一个挑战,也是对中文信息处理进行突破的一种新尝试。