中文分词系列总结

目前中文分词主要有两种思路：查词典和字标注。首先，查词典的方法有：机械的最大匹配法、最少词数法，以及基于有向无环图的最大概率组合，还有基于语言模型的最大概率组合，等等。查词典的方法简单高效（得益于动态规划的思想），尤其是结合了语言模型的最大概率法，能够很好地解决歧义问题，但对于中文分词一大难度——未登录词（中文分词有两大难度：歧义和未登录词），则无法解决；为此，人们也提出了基于字标注的思路，所谓字标注，就是通过几个标记（比如4标注的是：single，单字成词；begin，多字词的开头；middle，三字以上词语的中间部分；end，多字词的结尾），把句子的正确分词法表示出来。这是一个序列（输入句子）到序列（标记序列）的过程，能够较好地解决未登录词的问题，但速度较慢，而且对于已经有了完备词典的场景下，字标注的分词效果可能也不如查词典方法

暂停查次词典方法的介绍，转而介绍字标注的方法，前面已经提到过，字标注是通过给句子中每个打上标签的思路来进行分词，比如之前提到过的，通过4标签来进行标注（single ，单字成词，begin，多字词的开头，middle，三字以上词语的中间部分，end，多字词的结尾，均只取第一个字母），这样，“为人民服务”就可以标注为“sbebe”了。4标注不是唯一的标注方式，类似地还有6标注，理论上来说，标注越多会越精细，理论上来说效果也越好，但标注太多也可能存在样本不足的问题，一般常用的就是4标注和6标注。

值得一提的是，这种通过给每个字打标签，进而将问题转化为讯列的学习，不仅仅是一种分词方法，还是一种解决大量自然语言问题的思路，比如命名实体识别等任务，同样用标注的方法来做。回到分词上来，通过字标注来进行分词的模型有隐马尔可夫模型，最大熵模型，条件随机场模型，它们在精度上都是递增的，据说目前公开测试中分词效果最好的是4标注的CRF，然而在本文中，我们要讲解的是最不精确的HMM，因为在我看来，它并非一个特定的模型，而是解决一大类问题的通用思想，一种简化问题的学问。