中文分词和搜索引擎（一）

作者：Winter 工程师

搜索引擎，上网的人基本上都不陌生了，CNNIC的第17次《互联网调查报告》显示，使用搜索引擎服务的网民，仅次于电子邮件。中文分词，估计了解的人并不多，毕竟太技术，太底层。但中文分词是中文搜索引擎系统中非常重要的模块，这里之所以强调是中文搜索引擎，是针对英文搜索引擎来讲，因为对于英文来说，空格代表词和词之间的分隔，也就不存在分词问题。和中文搜索引擎类似还有日文、韩文、泰文搜索引擎等，都需要处理分词问题。

为什么需要中文分词

目前的搜索引擎，大多是基于一种称为倒排索引的结构[1]。以什么做为索引的Key值，直接影响到整个搜索引擎的准确度、召回率[2]、速度。我们先看看不使用中文分词的情况。

如果不使用中文分词，可以采用单个汉字索引方式。例如，雅虎，先索引'雅'字，然后再索引'虎'字。同样，对于一篇文章，先把所有的汉字都单独索引一次，并记录他们的位置。搜索过程中，也是先找'雅'字的所有文档，再找'虎'字的所有文档，然后做交叉'与'运算，即包含这两个字，而且位置连续的文档才会做为符合要求的结果。这种方式是最基本的索引方式，现在有些小引擎中还在使用。但这里存在一个很有挑战性的问题：总共的常用汉字是3000多个，我们每次查询过程中，进行'与'操作的计算量会相当大，对于大数据量搜索引擎来说(超过10亿的文档)，每天上亿次查询，这样的索引结构，无疑是对硬件和算法的极大挑战。

考虑到速度问题，如果不使用分词，还有另外一种选择：n元组合索引方式，2元/3元等。拿2元来说，中国人，先索引'中国', 再索引'国人'。同样，对于一篇文章，以2为单位，把所有相邻的汉字都索引起来，并记录他们的位置。搜索过程中，也是先找包含'中国'的所有文档，再找'国人'的所有文档，然后做交叉'与'运算，即包含这两个单元，而且位置连续的文档才会做为符合要求的结果。这样以两个字做为索引单元，可以大大减少在搜索过程中的计算量。

以上两种方式，都可以不需要分词，也能实现搜索引擎的索引和搜索。但是这里存在一个不可忽视的问题：准确度。一个很常见的例子：和服，如果按照上面两种方式，都会查到包含'主板 和服 务器'的文档； 北大 也会得到'东 北大 学'。对于大数据量的搜索引擎来说，每个搜索次都会有成千上万个结果，用户已经很挑选他真正想要的文章，如果这里还要增加许多错误，估计用户体验会极差。这时候，我们需要中文分词。

词，是中文语言中最小的语意单位。以词为单位做为搜索引擎的索引的Key值，会大大提高搜索引擎结果的准确性，同时保证了搜索过程中计算量小。其实还有一个优点，以词为单位的索引，索引库会比上两种方式小很多。很明显：如果以 中国人 做为一个词，那么搜索的时候，不需要任何'与'运算，索引的时候记录也会减少。关于搜索过程描述参看中文搜索引擎技术揭密：系统架构

参考
1. The Anatomy of a Large-Scale Hypertextual Web Search Engine
2. 召回率: recall. 即得到的正确结果占所有应该得到的正确结果的比例。如：包含'雅虎'的正确的网页应该有500个，但搜索得到了600个结果，其中有400个是正确的，还有200个是错误的。那么准确度是:400/600=66.67%, 召回率是：400/500=80%.