轉(zhuǎn)載請注明：終小南 ? 中文分詞算法總結(jié)

什么是中文分詞
眾所周知蜀肘，英文是以 詞為單位的惹资，詞和詞之間是靠空格隔開撮慨，而中文是以字為單位结缚，句子中所有的字連起來才能描述一個意思。例如软棺，英文句子I am a student红竭，用中文則為：“我是一個學(xué)生”。計算機可以很簡單通過空格知道student是一個單詞喘落，但是不能很容易明白“學(xué)”茵宪、“生”兩個字合起來 才表示一個詞。把中文的漢字序列切分成有意義的詞瘦棋，就是中文分詞稀火，有些人也稱為切詞。我是一個學(xué)生赌朋，分詞的結(jié)果是：我 是 一個 學(xué)生凰狞。

中文分詞和搜索引擎
中文分詞到底對搜索引擎有多大影響篇裁？對于搜索引擎來說，最重要的并不是找到所有結(jié)果赡若，因為在上百億的網(wǎng)頁中找到所有結(jié)果沒有太多的意義达布，沒有人能看得完，最重要的是把最相關(guān)的結(jié)果排在最前面逾冬，這也稱為相關(guān)度排序黍聂。中文分詞的準(zhǔn)確與否，常常直接影響到對搜索結(jié)果的相關(guān)度排序身腻。筆者最近替朋友找一些關(guān)于日本和服的資料产还，在搜索引擎上輸入“和服”，得到的結(jié)果就發(fā)現(xiàn)了很多問題嘀趟。下面就以這個例子來說明分詞對搜索結(jié)果的影響脐区，在現(xiàn)有三個中文搜索引擎上做測試，測試方法是直接在Google（http://www.google.com）去件、百度（http://www.baidu.com）上以“和服”為關(guān)鍵詞進行搜索：

在Google上輸入“和服”搜索所有中文簡體網(wǎng)頁坡椒，總共結(jié)果507,000條，前20條結(jié)果中有14條與和服一點關(guān)系都沒有尤溜。

在百度上輸入“和服”搜索網(wǎng)頁倔叼，總共結(jié)果為287,000條，前20條結(jié)果中有6條與和服一點關(guān)系都沒有宫莱。

在中搜上輸入“和服”搜索網(wǎng)頁丈攒，總共結(jié)果為26,917條，前20條結(jié)果都是與和服相關(guān)的網(wǎng)頁授霸。

這次搜索引擎結(jié)果中的錯誤巡验，就是由于分詞的不準(zhǔn)確所造成的。通過筆者的了解碘耳，Google的中文分詞技術(shù)采用的是美國一家名叫Basis Technology（http://www.basistech.com）的公司提供的中文分詞技術(shù)显设，百度使用的是自己公司開發(fā)的分詞技術(shù)，中搜使用的是國內(nèi)海量科技（http://www.hylanda.com）提供的分詞技術(shù)辛辨。由此可見捕捂，中文分詞的準(zhǔn)確度，對搜索引擎結(jié)果相關(guān)性和準(zhǔn)確性有相當(dāng)大的關(guān)系斗搞。

中文分詞技術(shù)
中文分詞技術(shù)屬于自然語言處理技術(shù)范疇指攒，對于一句話，人可以通過自己的知識來明白哪些是詞僻焚，哪些不是詞允悦，但如何讓計算機也能理解？其處理過程就是分詞算法虑啤。

現(xiàn)有的分詞算法可分為三大類：基于字符串匹配的分詞方法隙弛、基于理解的分詞方法和基于統(tǒng)計的分詞方法架馋。

1、基于字符串匹配的分詞方法
這種方法又叫做機械分詞方法驶鹉，它是按照一定的策略將待分析的漢字串與一個“充分大的”機器詞典中的詞條進行配绩蜻，若在詞典中找到某個字符串，則匹配成功 （識別出一個詞）室埋。按照掃描方向的不同办绝，串匹配分詞方法可以分為正向匹配和逆向匹配；按照不同長度優(yōu)先匹配的情況姚淆，可以分為最大（最長）匹配和最性胁酢（最 短）匹配；按照是否與詞性標(biāo)注過程相結(jié)合腌逢，又可以分為單純分詞方法和分詞與標(biāo)注相結(jié)合的一體化方法降淮。常用的幾種機械分詞方法如下：

正向最大匹配法（由左到右的方向）；
逆向最大匹配法（由右到左的方向）搏讶；
最少切分（使每一句中切出的詞數(shù)最屑驯睢）。
還可以將上述各種方法相互組合媒惕，例如系吩，可以將正向最大匹配方法和逆向最大匹配方法結(jié)合起來構(gòu)成雙向匹配法。由于漢語單字成詞的特點妒蔚，正向最小匹配和逆向 最小匹配一般很少使用穿挨。一般說來，逆向匹配的切分精度略高于正向匹配肴盏，遇到的歧義現(xiàn)象也較少科盛。統(tǒng)計結(jié)果表明，單純使用正向最大匹配的錯誤率為1/169菜皂， 單純使用逆向最大匹配的錯誤率為1/245贞绵。但這種精度還遠(yuǎn)遠(yuǎn)不能滿足實際的需要。實際使用的分詞系統(tǒng)恍飘，都是把機械分詞作為一種初分手段榨崩，還需通過利用各 種其它的語言信息來進一步提高切分的準(zhǔn)確率。

一種方法是改進掃描方式常侣，稱為特征掃描或標(biāo)志切分蜡饵，優(yōu)先在待分析字符串中識別和切分出一些 帶有明顯特征的詞弹渔，以這些詞作為斷點胳施，可將原字符串分為較小的串再來進機械分詞，從而減少匹配的錯誤率肢专。另一種方法是將分詞和詞類標(biāo)注結(jié)合起來舞肆，利用豐富 的詞類信息對分詞決策提供幫助焦辅，并且在標(biāo)注過程中又反過來對分詞結(jié)果進行檢驗、調(diào)整椿胯，從而極大地提高切分的準(zhǔn)確率筷登。

對于機械分詞方法，可以建立一個一般的模型哩盲，在這方面有專業(yè)的學(xué)術(shù)論文前方，這里不做詳細(xì)論述。

2廉油、基于理解的分詞方法
這種分詞方法是通過讓計算機模擬人對句子的理解惠险，達(dá)到識別詞的效果。其基本思想就是在分詞的同時進行句法抒线、語義分析班巩，利用句法信息和語義信息來處理歧義 現(xiàn)象。它通常包括三個部分：分詞子系統(tǒng)嘶炭、句法語義子系統(tǒng)抱慌、總控部分。在總控部分的協(xié)調(diào)下眨猎，分詞子系統(tǒng)可以獲得有關(guān)詞抑进、句子等的句法和語義信息來對分詞歧義 進行判斷，即它模擬了人對句子的理解過程宵呛。這種分詞方法需要使用大量的語言知識和信息单匣。由于漢語語言知識的籠統(tǒng)、復(fù)雜性宝穗，難以將各種語言信息組織成機器可 直接讀取的形式户秤，因此目前基于理解的分詞系統(tǒng)還處在試驗階段。

3逮矛、基于統(tǒng)計的分詞方法
從形式上看鸡号，詞是穩(wěn)定的字的組 合，因此在上下文中须鼎，相鄰的字同時出現(xiàn)的次數(shù)越多鲸伴，就越有可能構(gòu)成一個詞。因此字與字相鄰共現(xiàn)的頻率或概率能夠較好的反映成詞的可信度晋控」埃可以對語料中相鄰 共現(xiàn)的各個字的組合的頻度進行統(tǒng)計，計算它們的互現(xiàn)信息赡译。定義兩個字的互現(xiàn)信息仲吏，計算兩個漢字X、Y的相鄰共現(xiàn)概率」簦互現(xiàn)信息體現(xiàn)了漢字之間結(jié)合關(guān)系的緊 密程度誓斥。當(dāng)緊密程度高于某一個閾值時，便可認(rèn)為此字組可能構(gòu)成了一個詞许帐。這種方法只需對語料中的字組頻度進行統(tǒng)計劳坑，不需要切分詞典，因而又叫做無詞典分詞 法或統(tǒng)計取詞方法成畦。但這種方法也有一定的局限性距芬，會經(jīng)常抽出一些共現(xiàn)頻度高、但并不是詞的常用字組循帐，例如“這一”蔑穴、“之一”、“有的”惧浴、“我的”存和、“許多 的”等，并且對常用詞的識別精度差衷旅，時空開銷大捐腿。實際應(yīng)用的統(tǒng)計分詞系統(tǒng)都要使用一部基本的分詞詞典（常用詞詞典）進行串匹配分詞，同時使用統(tǒng)計方法識別 一些新的詞柿顶，即將串頻統(tǒng)計和串匹配結(jié)合起來茄袖，既發(fā)揮匹配分詞切分速度快、效率高的特點嘁锯，又利用了無詞典分詞結(jié)合上下文識別生詞宪祥、自動消除歧義的優(yōu)點。

到底哪種分詞算法的準(zhǔn)確度更高家乘，目前并無定論蝗羊。對于任何一個成熟的分詞系統(tǒng)來說，不可能單獨依靠某一種算法來實現(xiàn)仁锯，都需要綜合不同的算法耀找。筆者了解，海 量科技的分詞算法就采用“復(fù)方分詞法”业崖，所謂復(fù)方野芒，相當(dāng)于用中藥中的復(fù)方概念，即用不同的藥才綜合起來去醫(yī)治疾病双炕，同樣狞悲，對于中文詞的識別，需要多種算法 來處理不同的問題妇斤。

4摇锋、基于規(guī)則的分詞方法
基于規(guī)則的分詞方法胀滚，這種方法又叫做機械分詞方法,它是按照一定的策略將待分析的漢字串與一個“充分大的”機器詞典中的詞條進行匹配,若在詞典中找到某個字 符串,則匹配成功(識別出一個詞) 。常用的方法：最小匹配算法(Minimum Matching)乱投，正向（逆向）最大匹配法(Maximum Matching)，逐字匹配算法,神經(jīng)網(wǎng)絡(luò)法顷编、聯(lián)想一回溯法戚炫，基于N-最短路徑分詞算法,以及可以相互組合，例如,可以將正向最大匹配方法和逆向最大匹 配方法結(jié)合起來構(gòu)成雙向匹配法等媳纬。目前機械式分詞占主流地位的是正向最大匹配法和逆向最大匹配法双肤。

最小匹配算法
在所有的分詞算法中，最早研究的是最小匹配算法(Minimum Matching)钮惠，該算法從待比較字符串左邊開始比較茅糜，先取前兩個字符組成的字段與詞典中的詞進行比較，如果詞典中有該詞素挽，則分出此詞蔑赘，繼續(xù)從第三個字 符開始取兩個字符組成的字段進行比較，如果沒有匹配到预明，則取前3個字符串組成的字段進行比較缩赛，依次類推，直到取的字符串的長度等于預(yù)先設(shè)定的閾值撰糠，如果還 沒有匹配成功酥馍，則從待處理字串的第二個字符開始比較，如此循環(huán)阅酪。

例如旨袒，“如果還沒有匹配成功”，取出左邊兩個字 組成的字段與詞典進行比較术辐，分出“如果”砚尽；再從“還”開始，取“還沒”辉词，字典中沒有此詞尉辑，繼續(xù)取“還沒有”，依次取到字段“還沒有匹配”(假設(shè)閾值為 5)较屿，然后從“沒”開始隧魄，取“沒有”，如此循環(huán)直到字符串末尾為止隘蝎。這種方法的優(yōu)點是速度快购啄，但是準(zhǔn)確率卻不是很高，比如待處理字符串為“中華人民共和 國”嘱么，此匹配算法分出的結(jié)果為：中華狮含、人民、共和國，因此該方法基本上已經(jīng)不被采用 几迄。

最大匹配算法
基于字符串的最大匹配蔚龙，這種方法現(xiàn)在仍比較常用。最大匹配(Maximum Matching)分為正向和逆向兩種最大匹配映胁，正向匹配的基本思想是：假設(shè)詞典中最大詞條所含的漢字個數(shù)為n個木羹，取待處理字符串的前n個字作為匹配字 段，查找分詞詞典解孙。若詞典中含有該詞坑填，則匹配成功，分出該詞弛姜，然后從被比較字符串的n+1處開始再取n個字組成的字段重新在詞典中匹配脐瑰；如果沒有匹配成 功，則將這n個字組成的字段的最后一位剔除廷臼，用剩下的n一1個字組成的字段在詞典中進行匹配苍在，如此進行下去，直到切分成功為止荠商。

例 如忌穿，待處理字符串為“漢字多為表意文字”，取字符串“漢語多為表”(假設(shè)比較的步長為5结啼，本文步長step都取5)與詞典進行比較掠剑，沒有與之對應(yīng)的詞，去 除“表”字郊愧，用字段“漢語多為”進行匹配朴译，直至匹配到“漢語”為至，再取字符串“多為表意”属铁，循環(huán)到切分出“文字”一詞眠寿。目前，正向最大匹配方法作為一種 基本的方法已被肯定下來焦蘑，但是由于錯誤比較大盯拱，一般不單獨使用。如字符串“處理機器發(fā)生的故障”例嘱，在正向最大匹配方法中會出現(xiàn)歧義切分狡逢，該字符串被分為： 處理機、發(fā)生拼卵、故障奢浑，但是使用逆向匹配就能得到有效的切分。

逆向最大匹配RMM(Reverse Directional Maximum Matching Method)的分詞原理和過程與正向最大匹配相似腋腮，區(qū)別在于前者從文章或者句子(字串)的末尾開始切分雀彼，若不成功則減去最前面的一個字壤蚜。比如對于字符串 “處理機器發(fā)生的故障”，第一步徊哑，從字串的右邊取長度以步長為單位的字段“發(fā)生的故障”在詞典中進行匹配袜刷，匹配不成功，再取字段“生的故障”進行匹配莺丑，依 次匹配著蟹，直到分出“故障”一詞，最終使用RMM方法切分的結(jié)果為：故障窒盐、發(fā)生、機器钢拧、處理蟹漓。該方法要求配備逆序詞典。

一般來說根據(jù)漢語詞匯構(gòu)成的特點源内，從理論上說明了逆向匹配的精確度高于正向匹配葡粒，漢語語句的特點一般中心語偏后。有研究數(shù)據(jù),單純使用正向最大匹配的錯誤 率為1/ 169 ,單純使用逆向最大匹配的錯誤率為1/245膜钓。實際應(yīng)用中可以從下面幾方面改進嗽交，同時采取幾種分詞算法，來提高正確率;改進掃描方式颂斜，稱為特征掃描或標(biāo)志 切分,優(yōu)先在待分析字符串中識別和切分出一些帶有明顯特征的詞,以這些詞作為斷點,可將原字符串分為較小的串再來進機械分詞夫壁，從而減少匹配的錯誤率等。

逐字匹配算法
逐字匹配算法沃疮，基于TRIE索引樹（又稱單詞索引樹 http://baike.baidu.com/view/1436495.htm）的逐字匹配算法,是建立在樹型詞典機制上盒让，匹配的過程是從索引樹的根結(jié)點依次同步匹配待查詞中的每個字，可以看成是對樹 某一分枝的遍歷司蔬。因此邑茄，采用該算法的分詞速度較快，但樹的構(gòu)造和維護比較復(fù)雜俊啼。一種改進的算法是和最大匹配算法相結(jié)合肺缕，吸取最大匹配算法詞典結(jié)構(gòu)簡單、 TRIE索引樹算法查詢速度快的優(yōu)點授帕。因此詞典結(jié)構(gòu)和最大匹配詞典構(gòu)造機制相似同木，區(qū)別在于詞典正文前增加了多級索引。匹配過程類似TRIE索引樹進行逐字 匹配跛十，在性能上和TRIE索引樹相近泉手。

神經(jīng)網(wǎng)絡(luò)分詞算法
神經(jīng)網(wǎng)絡(luò)分詞算法，尹峰等提出了以神經(jīng)網(wǎng)絡(luò)理論(BP模型)為基礎(chǔ)的漢語分詞模型,為漢語分詞研究開辟了新途徑偶器。在實用中,BP算法存在收斂速度慢斩萌、易陷 入局部最小等缺點,嚴(yán)重妨礙了分詞速度缝裤。一種改進算法采用Levenbery2Marquart 算法來加速收斂速度,加快了收斂速度利用神經(jīng)網(wǎng)絡(luò)的基本原理進行分詞。

聯(lián)想—回溯法
聯(lián)想—回溯法(Association－Backtracking Method颊郎，簡稱 AB 法)憋飞。這種方法要求建立三個知識庫——特征詞詞庫、實詞詞庫和規(guī)則庫姆吭。首先將待切分的漢字字符串序列按特征詞詞庫分割為若干子串榛做，子串可以是詞，也可以是 由幾個詞組合而成的詞群内狸；然后检眯，再利用實詞詞庫和規(guī)則庫將詞群再細(xì)分為詞。切詞時昆淡，要利用一定的語法知識锰瘸，建立聯(lián)想機制和回溯機制。聯(lián)想機制由聯(lián)想網(wǎng)絡(luò)和 聯(lián)想推理構(gòu)成昂灵，聯(lián)想網(wǎng)絡(luò)描述每個虛詞的構(gòu)詞能力避凝，聯(lián)想推理利用相應(yīng)的聯(lián)想網(wǎng)絡(luò)來判定所描述的虛詞究竟是單獨成詞還是作為其他詞中的構(gòu)詞成分≌２梗回溯機制主要 用于處理歧義句子的切分管削。聯(lián)想—回溯法雖然增加了算法的時間復(fù)雜度和空間復(fù)雜度，但這種方法的切詞正確率較高撑螺，是一種行之有效的方法含思。

N-最段路徑分詞算法
基于N-最短路徑分詞算法，其基本思想是根據(jù)詞典甘晤，找出字串中所有可能的詞茸俭，構(gòu)造詞語切分有向無環(huán)圖。每個詞對應(yīng)圖中的一條有向邊安皱，并賦給相應(yīng)的邊長(權(quán) 值)调鬓。然后針對該切分圖，在起點到終點的所有路徑中酌伊，求出長度值按嚴(yán)格升序排列(任何兩個不同位置上的值一定不等腾窝，下同)依次為第1，第2居砖，…虹脯，第 i，…奏候，第N的路徑集合作為相應(yīng)的粗分結(jié)果集循集。如果兩條或兩條以上路徑長度相等，那么他們的長度并列第 i蔗草，都要列入粗分結(jié)果集咒彤，而且不影響其他路徑的排列序號疆柔，最后的粗分結(jié)果集合大小大于或等于N。N一最短路徑方法實際上是最短路徑方法和全切分的有機結(jié) 合镶柱。該方法的出發(fā)點是盡量減少切分出來的詞數(shù)旷档，這和最短路徑分詞方法是完全一致的；同時又要盡可能的包含最終結(jié)果歇拆，這和全切分的思想是共通的鞋屈。通過這種綜 合，一方面避免了最短路徑分詞方法大量舍棄正 確結(jié)果的可能故觅，另一方面又大大解決了全切分搜索空間過大厂庇，運行效率差的弊端。N一最短路徑方法相對的不足就是粗分結(jié)果不唯一 输吏，后續(xù)過程需要處理多個粗分結(jié)果权旷。 但是 ，對于預(yù)處理過程來講评也，粗分結(jié)果的高召回率至關(guān)重要炼杖。因為低召回率就意味著沒有辦法 再作后續(xù)的補救措施灭返。預(yù)處理一旦出錯盗迟，后續(xù)處理只能是一錯再錯 ，基本上得不到正確的最終 結(jié)果熙含。而少量的粗分結(jié)果對后續(xù)過程的運行效率影響不會太大罚缕，后續(xù)處理可以進一步優(yōu)選排 錯，如詞性標(biāo)注怎静、句法分析等邮弹。

除上面之外，還有基于詞頻統(tǒng)計的切詞法蚓聘， 基于期望的切詞法腌乡，有窮多級列舉法等。

分詞中的難題
有了成熟的分詞算法夜牡，是否就能容易的解決中文分詞的問題呢与纽？事實遠(yuǎn)非如此。中文是一種十分復(fù)雜的語言塘装，讓計算機理解中文語言更是困難急迂。在中文分詞過程中，有兩大難題一直沒有完全突破蹦肴。

1僚碎、歧義識別
歧義是指同樣的一句話，可能有兩種或者更多的切分方法阴幌。例如：表面的勺阐，因為“表面”和“面的”都是詞卷中，那么這個短語就可以分成“表面 的”和“表 面的”。這種稱為交叉歧義皆看。像這種交叉歧義十分常見仓坞，前面舉的“和服”的例子，其實就是因為交叉歧義引起的錯誤腰吟∥薨＃“化妝和服裝”可以分成“化妝 和 服裝”或者“化妝 和服 裝”。由于沒有人的知識去理解毛雇，計算機很難知道到底哪個方案正確嫉称。

交叉歧義相對組合歧義來說是還算比較容易處 理，組合歧義就必需根據(jù)整個句子來判斷了灵疮。例如织阅，在句子“這個門把手壞了”中，“把手”是個詞震捣，但在句子“請把手拿開”中荔棉，“把手”就不是一個詞；在句子 “將軍任命了一名中將”中蒿赢，“中將”是個詞润樱，但在句子“產(chǎn)量三年中將增長兩倍”中，“中將”就不再是詞羡棵。這些詞計算機又如何去識別?

如 果交叉歧義和組合歧義計算機都能解決的話壹若，在歧義中還有一個難題，是真歧義皂冰。真歧義意思是給出一句話店展，由人去判斷也不知道哪個應(yīng)該是詞，哪個應(yīng)該不是詞秃流。 例如：“乒乓球拍賣完了”赂蕴，可以切分成“乒乓 球拍 賣 完 了”、也可切分成“乒乓球 拍賣 完 了”舶胀，如果沒有上下文其他的句子概说，恐怕誰也不知道“拍賣”在這里算不算一個詞。

2峻贮、新詞識別
新詞席怪，專業(yè)術(shù)語稱為未登 錄詞。也就是那些在字典中都沒有收錄過纤控，但又確實能稱為詞的那些詞挂捻。最典型的是人名，人可以很容易理解句子“王軍虎去廣州了”中船万，“王軍虎”是個詞刻撒，因為 是一個人的名字骨田，但要是讓計算機去識別就困難了。如果把“王軍虎”做為一個詞收錄到字典中去声怔，全世界有那么多名字态贤，而且每時每刻都有新增的人名，收錄這些 人名本身就是一項巨大的工程醋火。即使這項工作可以完成悠汽，還是會存在問題，例如：在句子“王軍虎頭虎腦的”中芥驳，“王軍虎”還能不能算詞柿冲？

新詞中除了人名以外，還有機構(gòu)名兆旬、地名假抄、產(chǎn)品名、商標(biāo)名丽猬、簡稱宿饱、省略語等都是很難處理的問題，而且這些又正好是人們經(jīng)常使用的詞脚祟，因此對于搜索引擎來說谬以，分詞系統(tǒng)中的新詞識別十分重要。目前新詞識別準(zhǔn)確率已經(jīng)成為評價一個分詞系統(tǒng)好壞的重要標(biāo)志之一愚铡。

中文分詞的應(yīng)用
目前在自然語言處理技術(shù)中蛉签，中文處理技術(shù)比西文處理技術(shù)要落后很大一段距離胡陪，許多西文的處理方法中文不能直接采用沥寥，就是因為中文必需有分詞這道工序。中文分詞是其他中文信息處理的基礎(chǔ)柠座，搜索引擎只是中文分詞的一個應(yīng)用邑雅。其他的比如機器翻譯（MT）、語音合成妈经、自動分類淮野、自動摘要、自動校對等等吹泡，都需要用到分詞骤星。因為中文需要分詞，可能會影響一些研究爆哑，但同時也為一些企業(yè)帶來機會洞难，因為國外的計算機處理技術(shù)要想進入中國市場，首先也是要解決中文分詞問題揭朝。在中文研究方面队贱，相比外國人來說色冀，中國人有十分明顯的優(yōu)勢。

分詞準(zhǔn)確性對搜索引擎來說十分重要柱嫌，但如果分詞速度太慢锋恬，即使準(zhǔn)確性再高，對于搜索引擎來說也是不可用的编丘，因為搜索引擎需要處理數(shù)以億計的網(wǎng)頁与学，如果分 詞耗用的時間過長，會嚴(yán)重影響搜索引擎內(nèi)容更新的速度嘉抓。因此對于搜索引擎來說癣防，分詞的準(zhǔn)確性和速度，二者都需要達(dá)到很高的要求掌眠。目前研究中文分詞的大多是科研院校蕾盯，清華、北大蓝丙、中科院级遭、北京語言學(xué)院、東北大學(xué)渺尘、IBM研究院挫鸽、微軟中國研究院等都有自己的研究隊伍，而真正專業(yè)研究中文分詞的商業(yè)公司除了海量科技以外鸥跟，幾乎沒有了丢郊。科研院校研究的技術(shù)医咨，大部分不能很快產(chǎn)品化枫匾，而一個專業(yè)公司的力量畢竟有限，看來中文分詞技術(shù)要想更好的服務(wù)于更多的產(chǎn)品拟淮，還有很長一段路干茉。

轉(zhuǎn)載請注明：終小南 ? 中文分詞算法總結(jié)