【搜索引擎原理】搜索引擎预处理工作原理

　　【搜索引擎原理】搜索引擎预处理工作原理

　　通过上边编者对搜索引擎预处理概念的一个简单的介绍，想必各位读者有一定的了解，那么在众多预处理的流程中具体究竟是怎样的一个工作流程呢？下面就让我们一起看一下搜索引擎在预处理中的各个工作流程！

　　1.关键词的提取：搜索引擎能够完全识别的主要还是以文字内容为主的网络资源。搜索引擎蜘蛛在爬取一个页面的同时也把大量的HTML代码抓取下来，如keywords,description，title，H，css,div标签等，而它的主要工作还是将HTML标签、程序等处理，然后提取用于排名计算的文字信息内容。

　　2.删除重复无用词：同一个词在一个网页中出现很多次，如“得”、“我”、“的”、“你”、“地”、“啊”、.“呀”、“却”、“再”、“从而”等这类的无用助词，出现的频率虽然很高，但是一旦反复出现就没太大价值了，一般这类词就归结为停用词。这类词也需要去除掉。

　　3.中文分词技术：分词是中文搜索引擎独有的技术支持。中文信息和英文信息的差别在于:英文单词与单词之间用的是空格分隔的，这对中文就行不通了，搜索引擎必须将整个句子切割成小单元词，如“我是中国人”拆分出来的形态是“我”、“是”、“中国”、“人”。分词技术的效率直接影响到整个系统的效率。

　　分词的方法基本上有两种:基于字符串匹配的分词方法和基于统计的分词方法。

　　1)基于字符串匹配的分词方法

　　按匹配方向的不同，可分为正向匹配、逆向匹配和最少切词。可将这三种方法混合起来使用，即正向最大匹配、逆向最大匹配、正向最小匹配、逆向最小匹配。

　　正向最大匹配:假设字典中最长的词语字数为m，先根据汉语标点符号及特征词把汉语句子切分为短语，然后去取短语的前m个字，在字库里面查找是否存在这个词语，如果存在，短语就去掉这个词;如果不存在就去掉这m个字的最后一个字，接着检查剩下的词是否是单字，若是则输出此字并将此字从短语中去掉，若不是则继续判断字库中是否存在这个词，如此反复循环，直到输出一个词，此后继续取剩余短语的前m个字反复循环。这样就可以将一个短语分成词语的组合了。

　　以“我是一个好人”为例，假设字典中最长词语字数为3，正向最大匹配顺序为:

　　(1)取出短语“我是中”，检查“我是中”是否在字典中存在或是一个单字，处理方式是去掉最后面的“中”字;

　　(2)检查短语“我是”是否在字典中存在或是一个单字，处理方式是去掉“是”字;

　　(3)检查“我”字是否在字典中存在或是一个单字，“我”是一个单字，将“我”字输出;

　　(4)继续取出短语“是中国”，检查“是中国”是否在字典中存在或是一个单字，处理方式是去掉最后面的“国个”字;

　　(5)检查短语“是中”是否在字典中存在或是一个单字，处理方式是去掉“中”字;

　　(6)检查“是”字是否在字典中存在或是一个单字，“是”是一个单字，将“是”字输出;

　　(7)取出短语“中国人”，检查“中国人”是否在字典中存在或是一个单字，处理方式是去掉最后面的“好”字;

　　(8)检查短语“中国”，发现是字典中的一个词，直接输出;

　　(9)检查短语“国人”，发现是字典中的一个词，直接输出;

　　(10)最后输出结果为:我、是、中国、人。

　　逆向最大匹配:以句子结尾处进行分词的方法。逆向最大匹配技术最大的一个作用是用来消歧。如“富营销线下聚会在下城子镇举行”按照正向最大匹配结果为:富/营销/线/下/聚会/在/下/城子镇/举行，很显然这当中差生了歧义。下城子镇是一个地名，没有被正确地切分。采用逆向最大匹配的技术可以修正这个错误。例如设定一个分词节点大小为7，那么“在下城子镇举行”中很显然“举行”被分出来了，最后剩下“聚会在下城子镇”，这样一来歧义就被消除了。

　　正向最小匹配/逆向最小匹配:一般很少使用到，实际使用中逆向匹配的精准度要高于正向匹配度。

　　2)基于统计分词方法

　　直接调用分词词典中的若干词进行匹配，同时也使用统计技术来识别一些新的词语，将所有的统计结果匹配起来发挥切词的最高效率。