基于N-最短路径方法的中文词语粗分模型

预处理过程的词语粗切分,是整个中文词语分析的基础环节,对最终的召回率、准确率、运行效率起着重要的作用。词语粗分必须能为后续的过程提供少量的、高召回率的、中间结果。本文提出了一种基于N-最短路径方法的粗分模型,旨在兼顾高召回率和高效率。在此基础上,引入了词频的统计数据,对原有模型进行改进,建立了更实用的统计模型。针对人民日报一个月的语料库（共计185,192个句子）,作者进行了粗分实验。按句子进行统计,2-最短路径非统计粗分模型的召回率为99.73％;在10-最短路径统计粗分模型中,平均6.12个粗分结果得到的召回率高达99.94％,比最大匹配方法高出15％,比以前最好的切词方法至少高出6.4％。而粗分结果数的平均值较全切分减少了64倍。实验结果表明:N-最短路径方法是一种预处理过程中实用、有效的的词语粗分手段。