查詢處理以及分詞技術(shù)

隨著搜索經(jīng)濟(jì)的崛起，人們開始越加關(guān)注全球各大搜索引擎的性能、技術(shù)和日流量。作為企業(yè)，會根據(jù)搜索引擎的知名度以及日流量來選擇是否要投放廣告等；作為 普通網(wǎng)民，會根據(jù)搜索引擎的性能和技術(shù)來選擇自己喜歡的引擎查找資料；作為技術(shù)人員，會把有代表性的搜索引擎作為研究對象。 搜索引擎經(jīng)濟(jì)的崛起，又一次向人們證明了網(wǎng)絡(luò)所蘊(yùn)藏的巨大商機(jī)。網(wǎng)絡(luò)離開了搜索將只剩下空洞雜亂的數(shù)據(jù)，以及大量等待去費(fèi)力挖掘的金礦。

但是，如何設(shè)計(jì)一個高效的搜索引擎？我們可以以百度所采取的技術(shù)手段來探討如何設(shè)計(jì)一個實(shí)用的搜索引擎。搜索引擎涉及到許多技術(shù)點(diǎn)，比如查詢處理，排序算法，頁面抓取算法，CACHE機(jī)制，ANTI-SPAM等等。這些技術(shù)細(xì)節(jié)，作為商業(yè)公司的搜索引擎服務(wù)提供商比如百度，GOOGLE等是不會公之于眾的。我們可以將現(xiàn)有的搜索引擎看作一個黑盒，通過向黑盒提交輸入，判斷黑盒返回的輸出大致判斷黑盒里面不為人知的技術(shù)細(xì)節(jié)。

查詢處理與分詞是一個中文搜索引擎必不可少的工作，而百度作為一個典型的中文搜索引擎一直強(qiáng)調(diào)其“中文處理”方面具有其它搜索引擎所不具有的關(guān)鍵技術(shù)和優(yōu)勢。那么我們就來看看百度到底采用了哪些所謂的核心技術(shù)。

我們分兩個部分來講述：查詢處理/中文分詞。

一、查詢處理

用戶向搜索引擎提交查詢，搜索引擎一般在接受到用戶查詢后要做一些處理，然后在索引數(shù)據(jù)庫里面提取相關(guān)的信息。那么百度在接受到用戶查詢后做了些什么工作呢？

1、假設(shè)用戶提交了不只一個查詢串，比如“信息檢索 理論 工具”。那么搜索引擎首先做的是根據(jù)分隔符比如空格，標(biāo)點(diǎn)符號，將查詢串分割成若干子查詢串，比如上面的查詢就會被解析為：《信息檢索，理論，工具》三個子字符串；這個道理簡單，我們接著往下看。

2、假設(shè)提交的查詢有重復(fù)的內(nèi)容，搜索引擎怎么處理呢？比如查詢“理論 工具 理論”，百度是將重復(fù)的字符串當(dāng)作只出現(xiàn)過一次，也就是處理成等價的“理論 工具”，而GOOGLE顯然是沒有進(jìn)行歸并，而是將重復(fù)查詢子串的權(quán)重增大進(jìn)行處理。那么是如何得出這個結(jié)論的呢？我們可以將“理論 工具”提交給百度，返回341，000篇文檔，大致看看第一頁的返回內(nèi)容。OK。繼續(xù)，我們提交查詢“理論 工具 理論”，在看看返回結(jié)果，仍然是那么多返回文檔，當(dāng)然這個不能說明太多問題，那看看第一頁返回結(jié)果的排序，看出來了嗎？順序完全沒有變化，而GOOGLE 則排序有些變動，這說明百度是將重復(fù)的查詢歸并成一個處理的，而且字符串之間的先后出現(xiàn)順序基本不予考慮（GOOGLE是考慮了這個順序關(guān)系的）。

3、假設(shè)提交的中文查詢包含英文單詞，搜索引擎是怎么處理的？比如查詢”電影BT下載”，百度的方法是將中文字符串中的英文當(dāng)作一個整體保留，并以此為斷點(diǎn)將 中文切分開，這樣上述的查詢就切為《電影，BT，下載》，不論中間的英文是否一個字典里能查到的單詞也好，還是隨機(jī)的字符也好，都會當(dāng)作一個 整體來對待。至于為什么，你用查詢“電影dfdfdf下載”看看結(jié)果就知道了。當(dāng)然如果查詢中包含數(shù)字，也是如此辦理。

到目前為止，一切很簡單，也很清楚，百度怎么處理用戶查詢的呢？歸納如下：首先根據(jù)分割符號將查詢分開，然后看看是否有重復(fù)的字符串，如果有，就拋棄多余的，只保留一個，接著判斷是否有英文或者數(shù)字，如果有的話，把英文或者數(shù)字當(dāng)作一個整體保留并把前后的中文切開。

接著該干什么呢？該考慮分詞的問題了。

二、中文分詞

首先，講講百度的分詞時機(jī)或者條件問題，是否是個中文字符串百度就拿來切一下呢？非也，要想被百度的分詞程序榮幸的切割一下也是要講條件的，哪能是個字符串就切割??？你當(dāng)百度是賣鋸條的么？

那么什么樣的字符串才滿足被切割的條件呢？簡單說來，如果字符串只包含小于等于3個中文字符的話，那就保留不動，當(dāng)字符串長度大于4個中文字符的時候，百度的分詞程序才出馬大干快上，把這個字符串肢解掉。

怎么證明呢？我們向百度提交“電影下載”，看看返回結(jié)果中標(biāo)為紅字的地方，不難看出來，查詢已經(jīng)被切割成《電影，下載》兩個單詞了，說明分詞程序已經(jīng)開工了，如果是比4個中文字符更長的字符串，那分詞程序就更不客氣了，一定大卸八塊而后快。我們來看看三個字符的情況，提交查詢“當(dāng)然擇”，看起來這個查詢不倫不類，那是因?yàn)槲蚁Ｍ吹竭@個字符串被切分為《當(dāng)然，擇》，返回結(jié)果365篇相關(guān)頁面，翻到最后一頁，發(fā)現(xiàn)標(biāo)紅的關(guān)鍵字都是” 當(dāng)然擇”連續(xù)出現(xiàn)的情況，好像沒有切分，但是還不確定，那么再提交人工分好的查詢“當(dāng)然 擇”看看，返回結(jié)果1，090，000篇，基本上可以確定沒有進(jìn)行分詞了，當(dāng)然另外一種解釋是：對于三個字符先切分，然后將切分后的結(jié)果當(dāng)作一個短語查 詢，這樣看到的效果和沒有切分是相似的。但是我傾向于判斷百度對于少于3個字符的串沒有切分，奧卡姆不是說了么“如無必要，勿增實(shí)體”，干嗎做無用功呢。 那么如果沒有切分，會有一個隨之而來的問題，怎么從索引庫里面提取未切分的字符串呢？這牽扯到索引的問題，我覺得百度應(yīng)該采取了兩套索引機(jī)制，一種是按照 單詞索引，一種是按照N-GRAM索引，至于索引的具體問題，以后在詳細(xì)論述。

下面我們看看百度是采取的何種分詞算法，現(xiàn)在分詞算法已經(jīng)算是比較成熟了，有簡單的有復(fù)雜的，比如正向最大匹配，反向最大匹配，雙向最大匹配，語言模型方 法，最短路徑算法等等，有興趣的可以用GOOGLE去搜索一下以增加理解。這里就不展開說了。但是要記住一點(diǎn)的是：判斷一個分詞系統(tǒng)好不好，關(guān)鍵看兩點(diǎn)， 一個是消除歧義能力；一個是詞典未登錄詞的識別比如人名，地名，機(jī)構(gòu)名等。

那么百度用的是什么方法？我的判斷是用雙向最大匹配算法。至于怎么推理得出的，讓我們一步步來看。當(dāng)然，這里首先有個假設(shè)，百度不會采取比較復(fù)雜的算法，因?yàn)榭紤]到速度問題。

我們提交一個查詢“毛澤東北京華煙云”，又一個不知所云的查詢，盡管不知所云但是自有它的道理，我想看看百度的分詞是如何消歧以及是否有詞典未登錄詞的識 別的功能，如果是正向最大匹配算法的話，那么輸出應(yīng)該是：”毛澤東/北京/華/煙云”，如果是反向最大匹配算法的話，那么輸出應(yīng)該是：”毛/澤/東北/京 華煙云”，我們看看百度的分詞結(jié)果：”毛澤東/北/京華煙云”，一個很奇怪的輸出，跟我們的期望相差較多，但是從中我們可以獲得如下信息：百度分詞可以識 別人名，也可以識別”京華煙云”，這說明有詞典未登錄詞的識別的功能，我們可以假設(shè)分詞過程分為兩個階段：第一階段，先查找一個特殊詞典，這個詞典包含一 些人名，部分地名以及一些普通詞典沒有的新詞，這樣首先將”毛澤東”解析出來，剩下了字符串”北京華煙云”，而”北/京華煙云”，可以看作是反向最大匹配 的分詞結(jié)果。這樣基本說得通。為了證明這一點(diǎn)，我們提交查詢”發(fā)毛澤東北”，我們期望兩種分詞結(jié)果，一個是正向最大匹配《發(fā)毛，澤，東北》， 一個是上述假設(shè)的結(jié)果《發(fā)，毛澤東，北》，事實(shí)上百度輸出是第二種情況，這樣基本能確定百度分詞采取了至少兩個詞典，一個是普通詞典，一個是 專用詞典（人名等）。而且是專用詞典先切分，然后將剩余的片斷交由普通詞典來切分。

繼續(xù)測驗(yàn)，提交查詢“古巴比倫理”，如果是正向最大匹配，那么結(jié)果應(yīng)該是《古巴比倫，理》，如果是反向最大匹配，那么結(jié)果應(yīng)該是《古 巴，比，倫理》，事實(shí)上百度的分詞結(jié)果是《古巴比倫，理》，從這個例子看，好像用了正向最大匹配算法；此外還有一些例子表明好像是使用 正向最大匹配的；但是且慢，我們看這個查詢“北京華煙云”，正向最大匹配期望的結(jié)果是《北京，華，煙云》，而反向最大匹配期望的結(jié)果是 《北，京華煙云》，事實(shí)上百度輸出的是后者，這說明可能采用的反向最大匹配；從這點(diǎn)我們可以猜測百度采用的是雙向最大匹配分詞算法，如果正向 和反向匹配分詞結(jié)果一致當(dāng)然好辦，直接輸出即可；但是如果兩者不一致，正向匹配一種結(jié)果，反向匹配一種結(jié)果，此時該如何是好呢？從上面兩個例子看，在這種 情況下，百度采取最短路徑方法，也就是切分的片斷越少越好，比如《古巴，比，倫理》和《古巴比倫，理》相比選擇后者，《北 京，華，煙云》和《北，京華煙云》相比選擇后者。還有類似的一些例子，這樣基本可以解釋這些輸出結(jié)果。

但是仍然遺留的問題是：如果正向反向分詞不一致，而且最短路徑也相同，那怎么辦？輸出正向的還是反向的結(jié)果？我們再來看一個例子。提交查詢“遙遠(yuǎn)古古巴比 倫”，這個查詢被百度切分為《遙遠(yuǎn)，古古，巴比倫》，說明詞典里面有”巴比倫”，但是是否有”古巴比倫”這個詞匯不確定，此時看不出是正向切 分還是反向切分得出的結(jié)果，換查詢?yōu)椤斑b遠(yuǎn)古巴比倫”，此時被切分為“遙遠(yuǎn)/古巴比倫”，這說明詞典里面有”古巴比倫”這個詞匯，這說明了“遙遠(yuǎn)古古巴比 倫”是正向最大匹配的結(jié)果。那為什么“遙遠(yuǎn)古古巴比倫”不會被反向切分為”遙/遠(yuǎn)古/古巴比倫”呢，百度的可能選擇是這種情況下選擇單字少的那組切分結(jié) 果。

當(dāng)然還可以繼續(xù)追問：如果切分后單字也一樣多，那怎么辦？最后看一個例子，查詢“王強(qiáng)大?。骸?，百度將其切分為“王/強(qiáng)大/小”，是正向切分的結(jié)果，如果是反向的會被切分為“王/強(qiáng)/大小”，這說明有歧義而且單字也相同則選擇正向切分結(jié)果。

OK，看到這里可能頭已經(jīng)有些暈了，最后總結(jié)一下百度的分詞算法，當(dāng)然里面還是有猜測的成分，算法如下：

首先查詢專用詞典（人名，部分地名等），將專有名稱切出，剩下的部分采取雙向分詞策略，如果兩者切分結(jié)果相同，說明沒有歧義，直接輸出分詞結(jié)果。如果不一 致，則輸出最短路徑的那個結(jié)果，如果長度相同，則選擇單字詞少的那一組切分結(jié)果。如果單字也相同，則選擇正向分詞結(jié)果。

百度一直宣傳自己在中文處理方面的優(yōu)勢，從上面看，分詞算法并無特殊之處，消歧效果并不理想，即使百度采取比上述分詞算法復(fù)雜些的算法也難以說成是優(yōu)勢， 如果說百度有優(yōu)勢的話，唯一的優(yōu)勢就是那個很大的專用詞典，這個專用詞典登錄了人名（比如大長今），稱謂（比如老太太），部分地名（比如阿聯(lián)酋等），估計(jì) 百度采用學(xué)術(shù)界公布的比較新的命名實(shí)體識別算法從語料庫里面不斷識別出詞典未登錄詞，逐漸擴(kuò)充這個專門詞典。如果這就是優(yōu)勢的話，那么這個優(yōu)勢能夠保持多久就是個很明顯的問題。