分词岐义处理是分词系统处理的最大难点之一,目前主要有下面几种处理方式:
一、词频统计法
举个例子说:“著作权和版权在我国是同一个概念,是法律赋予作品创作者的专有权利。”
在这句话中,“我国是” 这里就是一个存在岐义的地方,它可以分为“我国 是”,也可以分为“我 国是”
像这种情况,可以用居于词频法,显然“我国”比“国是”频率要高得多,因为可以确定“我国 是”是正确的模式。
不过居于这种方式的分词算法必须附带一个词频的词库,这需要大量的语义库。
二、最大词优先法
在句子“电影的创作人大多数是比较豪气的。 ”里,出现岐义的地方是“创作人大多数”
它可分解为“创作 人大 多数”
在这种情况下用最大词优先法是最适合的
三、多元最大切分消岐法
多元最大切分消岐法严格来说,做的并不是消岐工作,因为上面一二实际上都是要利用到二元运算的。
多元最大切分消岐法是对岐义的结果进行最大切分,从而确保索引数据的有效性,这种方式其实是目前最流行,也是最适合的方式。
就“电影的创作人大多数是比较豪气的。 ”这句话而言,它将被分为“电影 的 创作 创作人 人大 大多数 是 比较 豪气 的 。”
因为目前没有任何,实际上也不可能有什么算法能保证100%正确的,因此在实际用途中,多元最大切分消岐法成了最实用,也使用最多的处理方法。
(文 IT柏拉图)