中文分詞和二元分詞綜合對比
為了測試中文分詞和二元分詞的差異，現將初步的測試數據做了對比。關于二元分詞可以參考
車東
先生的相關文章。
采用中文分詞每 1M 產生 1.55M 的索引文件，膨脹率 1.55 ；每 1M 用時大約 10 秒；采用二元分詞每 1M 產生 2.21M 的索引文件，膨脹率 2.21 ；每 1M 用時大約 7 秒；
從搜索結果來看，兩者可以大致相同數量的搜索結果（顯示結果根據相關度排列順序不同）。
對文本進行中文分詞的目的是要提高文檔檢索的相關性，由于相關性的算法（如下圖）涉及到很多因素，所以對二元切分和中文分詞切分顯示結果到底誰更相關（ 人理解的意義相關 ？），還無法得出結論。
相關度算法：
|
score( q,d ) = |
Σ |
tf (t in d) * idf (t) * getBoost ( t.field in d) * lengthNorm ( t.field in d) |
|
|
t in q |
|
但有一點可以肯定，采用中文分詞多花的解析中文時間可以帶來豐厚的回報：索引文件和 Term 數量的大大減少。
可參考本文最后表格的圖片對比。圖中的數據是出現頻率第 100 至 120 個 Term 情況，二元分詞產生了大量的沒有意義的 Term 。
|
|
數據源大小（ M ） |
索引大小 |
膨脹率 |
Term 個數 |
每兆 Term 個數 |
所用時間（秒） |
秒 /M |
|
中文 |
14.20 |
22.50 |
1.584 |
76473.00 |
5385.42 |
105 |
7.394 |
|
二元 |
14.20 |
31.50 |
2.218 |
384488.00 |
27076.62 |
87 |
6.126 |
|
中文 |
4.73 |
7.54 |
1.594 |
84895.00 |
17948.20 |
50 |
10.570 |
|
二元 |
4.73 |
11.00 |
2.325 |
238064.00 |
50330.66 |
35 |
7.399 |
|
|
中文分詞 |
二元分詞 |
|
索引 源大小 |
14.2M |
14.2M |
|
索引 源內容 |
論壇某天全部發言 |
論壇某天全部發言 |
|
建立索引用時 |
105 秒 |
87 秒 |
|
索引文件大小 |
22.5M |
31.5M |
|
生成的 Term 數 |
76473 |
384488 （ 5.02 倍） |
|
文檔數 |
6802 |
6802 |
|
搜索：XX |
236 （搜索結果（條）） |
235 （搜索結果（條）） |
|
XX |
361 |
361 |
|
XX |
769 |
768 |
|
XX |
50 |
50 |
|
XX |
41 |
41 |
|
XX |
3 |
3 |
|
XX |
0 |
0 |
|
最常出現的詞： |
Rank = 查詢 Text 出現的次數 |
|
|
|
<shapetype id="_x0000_t75"><stroke></stroke><formulas><f></f><f></f><f></f><f></f><f></f><f></f><f></f><f></f><f></f><f></f><f></f><f></f></formulas><path></path><lock v:ext="edit" aspectratio="t"><img width="231" hspace="5" height="424" align="baseline" src="http://www.cnblogs.com/images/cnblogs_com/tianchunfeng/15983/o_image001.png" alt=""></lock></shapetype> |
|
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
