前言
自然数据处理里很重要的一环节就是中文分词，它指的是将一段文本拆分为一系列单词的过程，这些单词顺序拼接后等于原文本。而中文分词算法大致分为基于词典规则与基于机器学习这两大派。
什么是词
在基于词典的中文分词中，词的定义要现实得多：词典中的字符串就是词。
根据 齐夫定律：一个单词的词频与它的词频排名成反比。
即二八原理，20%的词用于80%的场景中，所以词典分词还是可行的。
切分算法
常见的基于词典的分词试式主要有四种。
完全切分
指的是，找出一段文本中的所有单词
输入：就读北京大学
输出：['就', '就读', '读', '北', '北京', '北京大学', '京', '大', '大学', '学']
输出了所有可能的单词。由于词库中含有单字，所以结果中也出现了一些单字。
正向最长匹配
我们更需要那种有意义的词语序列，而不是所有出现在词典中的单词所构成的链表。比如，我们希望“北京大学”成为一整个词，而不是“北京 + 大学”之类的碎片。具体来说，就是在以某个下标为起点递增查词的过程中，优先输出更长的单词，这种规则被称为最长匹配算法。从前往后匹配则称为正向最长匹配。
输入：就读北京大学
输出：['就读', '北京大学']
输入：研究生命起源
输出：['研究生', '命', '起源']
第二句话就会产生误差了，我们是需要把“研究”提取出来，结果按照正向最长匹配算法就提取出了“研究生”，所以人们就想出了逆向最长匹配。
逆向最长匹配
从后往前匹配则称为正向最长匹配，反之则称为逆向最长匹配
输入：研究生命起源
输出：['研究', '生命', '起源']
输入：项目的研究
输出：['项', '目的', '研究']
第一句正确了，但下一句又出错了，可谓拆东墙补西墙。另一些人提出综合两种规则，期待它们取长补短，称为双向最长匹配。
双向最长匹配
这是一种融合两种匹配方法的复杂规则集，流程如下：
- 同时执行正向和逆向最长匹配，若两者的词数不同，则返回词数更少的那一个。
- 否则，返回两者中单字更少的那一个。当单字数也相同时，优先返回逆向最长匹配的结果。
输入：研究生命起源
输出：['研究', '生命', '起源']
输入：项目的研究
输出：['项', '目的', '研究']
效率
匹配算法的瓶颈之一在于如何判断集合(词典)中是否含有字符串。《字典树》可帮忙提升效率，另外可以照以下关系递进优化：
- 首字散列其余二分的字典树
- 双数组字典树
- AC自动机(多模式匹配)
- 基于双数组字典树的AC自动机
扩展功能
利用词典可以实现以下功能
- 停用词过滤
- 简繁转换
- 拼音转换
对比
通过以上几种切分算法，我们可以做一个对比：
上图显示，双向最长匹配的确在2、3、5这3种情况下选择出了最好的结果，但在4号句子上选择了错误的结果，使得最终正确率 3/6 反而小于逆向最长匹配的 4/6 ， 由此，规则系统的脆弱可见一斑。规则集的维护有时是拆东墙补西墙，有时是帮倒忙。所以不可能有一种分词器完全100%优秀，如何判断分词算法在XX业务背景下的的好坏？
准确率评测
在信息检索、统计分类、识别、预测、翻译等领域，两个最基本指标是准确率和召回率，用来评价结果的质量。
- 检索到的结果分为 “相关” 和 “不相关”
- 没检索到的结果同样分为 “相关” 和 “不相关”
准确率 = 检索到的相关文档数量 / 检索到的所有文档总数
召回率 = 检索到的相关文档数量 / 系统中所有相关文档的总数
F值 = 正确率 * 召回率 * 2 / (正确率 + 召回率) （F 值即为正确率和召回率的调和平均值）
不妨举这样一个例子：某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别如下：
- 正确率 = 700 / (700 + 200 + 100) = 70%
- 召回率 = 700 / 1400 = 50%
- F值 = 70% * 50% * 2 / (70% + 50%) = 58.3%
不妨看看如果把池子里的所有的鲤鱼、虾和鳖都一网打尽，这些指标又有何变化：
- 正确率 = 1400 / (1400 + 300 + 300) = 70%
- 召回率 = 1400 / 1400 = 100%
- F值 = 70% * 100% * 2 / (70% + 100%) = 82.35%
由此可见，正确率是评估捕获的成果中目标成果所占得比例；召回率，顾名思义，就是从关注领域中，召回目标类别的比例；而F值，则是综合这二者指标的评估指标，用于综合反映整体的指标。