中文自动分词系统设计+文献综述(2)
时间:2017-04-28 15:30 来源:毕业论文 作者:毕业论文 点击:次
分词技术作为自然语言处理的基本环节，同时也是关键环节之一，它的质量好坏直接影响到后续处理步骤的效果。其中，中文分词由于中文结构的特点，与西方国家文字相比更难以处理。汉语的词汇与词汇之间没有显式的边界，汉语的分词需要通过计算机对文字内容的分析，来达到切分词汇的目的。中文分词已成为计算机处理汉语面临的首要基础性工作。只要提高中文分词系统的准确率和工作效率，才能使自然语言处理系统稳定高效地工作。相信在不久的将来，计算机科学技术的进一步发展能将人类文明推向新的高度。 2 中文分词概述 2．1 中文分词的概念 2.1.1 什么是中文分词 中文分词是中文信息处理技术中最基础、最关键的一个环节。所谓中文分词，指的是将一个汉字序列切分成一个一个单独的词。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。[5]我们知道，在英文的行文中，单词之间是以空格作为自然分界符的，而中文只是字、句和段能通过明显的分界符来简单划界，唯独词没有一个形式上的分界符，虽然英文也同样存在短语的划分问题，不过在词这一层上，中文比之英文要复杂的多、困难的多。 比如英语句子“A lazy youth,a lousy age”，中文意思为“少壮不努力，老大徒伤悲”。对于英语句子来说，只有通过空格和标点符号来切分即可，并且不会产生歧义。在中文句子“少壮不努力，老大徒伤悲”中“老大”和“老”、“大”都有可能构成词，要让计算机明白什么时候应该切分出一个词汇，相对于英语来说，难度有质的不同。 中文分词的过程，就是要把一句话中有意义的词汇都切分出来。在“少壮不努力，老大徒伤悲”这句话中，正确的切分应该是“少壮/不/努力，老大/徒/伤悲”。 词是中文中最小的有意义的独立单位，但是这最小的单位却没有显式分割的。若要使计算机与人类达到自由无障碍的语言交互，就必须让计算机能够自然语言。只有当中文字符串组成的句子被准确地转化为词之后，才能继续进一步工作。比如一个中英文翻译系统，如果连词汇都不能正确切分，翻译得到的英文是不可能符合原义的。 在自然语言处理领域，国外大大领先于我国，已经做出很多卓有成效的研究，但是那些研究大多基于西文，并是以正确切分出单词为前提的。如果不能很好地完成中文分词这道工序，就不能采用这些研究成果。 2.1.2 中文分词的意义和作用 要想说清楚中文分词的意义和作用就不能不提到智能技术。智能计算技术涉及的学科包括物理学飞、数学、通讯、电子机械、计算机科学、心理学、进化论和生物学等等。也就是说，所谓智能计算就是让机器“能看会想，能说会讲”。想要实现这样的一个目标，面临的首要任务就是让机器理解人类的语言，只能机器能够理解人类的语言文字，才能使得人与机器之间的交流成为可能。反观我们人类是类使用的自然语言，“词是最小的能够独立活动的有意义的语言成分”，所以对于中文分词来讲，将词汇确定下来是理解自然语言的第一步，只有跨越了这一步，中文才能像英文那样过渡到短语划分、概念抽取以及主题分析，以至于自然语言理解，最终达到智能计算的最高境界，实现真正的智能计算机。 从现阶段的实际情况来看，英语已经跨越了分词这一步，也就是说在词的利用上已经先中文一步，并且已经展现了良好的应用前景，无论是信息检索还是主题分析的研究都要强于中文，究其根本原因就是中文要通过分词这道难关，只有攻破了这道难关，才能希望赶上并超越英文在信息领域的发展，所以中文分词意义重大，可以说直接影响到使用中文的每个人的方方面面。 (责任编辑：qin) |