中文分詞技術在搜索引擎中的研究與應用.pdf_第1頁
已閱讀1頁,還剩71頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、中文分詞是計算機進行漢語文本分析的關鍵技術,分詞算法的好壞直接影響中文分析系統(tǒng)的實用性,搜索引擎是中文分詞技術的重要應用之一。如何用更短的時間得到更高的分詞精確度是目前的研究重點和熱點?;谧址ヅ涞姆衷~算法是當前使用最為廣泛的中文分詞算法,而最大匹配算法是最常用的基于字符串匹配的分詞算法。本文通過分析最大匹配算法的不足,結合高效的雙字哈希詞典機制,提出基于雙字哈希詞長分組詞典結構的正向最大匹配改進算法,分詞性能明顯提高;然后借用匹配

2、過程進行歧義處理,減少錯誤切分;之后使用改進算法思想重新設計Lucene中的中文文本分析模塊,優(yōu)化搜索引擎系統(tǒng)。實驗表明本文提出的基于雙字哈希詞長分組詞典結構的正向最大匹配改進算法比最大匹配算法有較大性能提升。本文所做工作總結如下:
  1.通過對最大匹配算法的研究,分析最大匹配算法存在的3個問題,并針對每個問題提出解決辦法。
  2.根據(jù)最大匹配算法不足改進算法流程,提高分詞性能,并針對改進算法的需求設計雙字哈希詞長分組的

3、詞典機制,提出基于雙字哈希詞長分組詞典結構的正向最大匹配改進算法。該算法對于每一次匹配都能動態(tài)選擇合適匹配初始位置和匹配長度,并能快速的對詞典進行查找,減少不必要的匹配消耗,無論從分詞速度還是精確度上都較傳統(tǒng)算法有了一定提升。
  3.根據(jù)改進算法的匹配過程,結合最大匹配算法+回退一字法算法思想,有效消除部分交集型歧義,使分詞結果更加準確。
  4.通過對搜索引擎知識和Lucene開發(fā)包的學習,基于Lucene搭建簡單的搜索

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論