浅谈百度的中文分词三点原理

百度中文分词算法：指搜索引擎为了更好的辨别用户的需求，并且为了快速提供给用户需求性信息而使用的开封网站建设公司算法。

搜索引擎要在单位时间内处理千万亿级的页面数据量，因此搜索引擎拥有一个中文词库。比如百度现在大约有9万个中文词，那么搜索引擎就可以对千亿级的页面进行分析，按照中文词库进行了分类。

百度分词基本有三种分法

1、基于理解：傻瓜式匹配，小于等于3个中文字常州网站建设公司符百度是不进行切词的，比如搜索大学堂。

2、基于统计：百度把一个词标红的原因：标红的词一般是一个关键词，你搜索学字的时候，百度它自认的把学习也当成了一个关键词，所以出现学习这个词标红企业官网建设，这就是百度分词法：基于统计分词。

3、基于字符串匹配（百度的分词法：正向最大切词法）

最大与最小（最大匹配：一直匹配到没词可配；最小匹配：匹配出词了就停止匹配，再从另一个词开始匹配）比如：百度搜索湖南大学堂屋顶，百度的一个分词算法我们把它当成一个黑盒子，我们通过一些输入关键词，根据百度的输出结果来判定百度的分词算法。正向与反向（正向：从前往后配；反向：从后往前配）（湖南大学堂屋顶）正向分法：湖南大学 堂屋 顶 （刘强大地方法）正向分法：刘 强大 地方 法。反向分法：方法 大地 刘 强。而在这个词语当中大地不是一个词。

另外，切词原理：百度有专有词库（是不可分割的）比如杰出人物（如：毛泽东）明星（如：刘德华）检索量大的词（如：买票难） 。

当然这些只是百度中文分词原理的一部分，也不是全对。因为百度算法是不可能透露出来，商业机秘如果让你知道，那岂不是有N多的百度了。