佟 欣

（赤峰學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)系，內(nèi)蒙古 赤峰 024000）

自動(dòng)應(yīng)答系統(tǒng)中文處理策略和算法

佟 欣

（赤峰學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)系，內(nèi)蒙古 赤峰 024000）

自動(dòng)應(yīng)答系統(tǒng)是一種對(duì)用戶用自然語(yǔ)言提出的問(wèn)題能夠做出盡可能簡(jiǎn)潔、準(zhǔn)確回答的計(jì)算機(jī)程序.在設(shè)計(jì)自動(dòng)應(yīng)答系統(tǒng)時(shí)先要解決中文分詞及字符串匹配等問(wèn)題，以便快速準(zhǔn)確地搜索到需要的答案.本文主要討論了自動(dòng)應(yīng)答系統(tǒng)中的中文處理策略和算法.

自動(dòng)應(yīng)答；分詞；匹配算法

自動(dòng)應(yīng)答系統(tǒng)是一種對(duì)用戶用自然語(yǔ)言提出的問(wèn)題能夠做出盡可能簡(jiǎn)潔、準(zhǔn)確回答的計(jì)算機(jī)程序.這樣的程序需要具備對(duì)自然語(yǔ)言進(jìn)行分析和處理的能力，它是自然語(yǔ)言處理技術(shù)的一個(gè)重要的應(yīng)用.

自動(dòng)應(yīng)答系統(tǒng)首先需要解決的問(wèn)題就是漢語(yǔ)的詞條切分，并從自然語(yǔ)言文本中抽取出能夠代表問(wèn)題的關(guān)鍵詞.而關(guān)鍵詞全文搜索的目的是查找與問(wèn)題相關(guān)的答案.為了使系統(tǒng)能最大效率地工作，必須選擇切實(shí)可行并且匹配精度較高的算法.

1 分詞策略

本文采用了三種分詞算法保證分詞的匹配度.分詞詞典與關(guān)鍵詞詞典為同一文本文件，這樣在分詞的同時(shí)就能提取出關(guān)鍵詞，自動(dòng)篩掉停止詞標(biāo)點(diǎn)符號(hào).這就簡(jiǎn)化了步驟提高了效率，也降低了錯(cuò)誤率.詞典中包括一些專業(yè)詞匯和限制條件的詞匯.當(dāng)用戶以自然語(yǔ)言進(jìn)行提出問(wèn)題，此語(yǔ)句中會(huì)包含關(guān)鍵詞、無(wú)用詞、停止詞和語(yǔ)義限定詞.為減少打開文檔的次數(shù)，詞典中包含了限定詞匯，在分詞中能自動(dòng)檢索出來(lái).

例如：?jiǎn)栴}1：土地用途包括哪些種類？

分詞程序處理后：土地/種類（土地是關(guān)鍵詞，種類是語(yǔ)義詞）

問(wèn)題2：土地來(lái)源及性質(zhì)？

分詞程序處理后：土地/來(lái)源（土地是關(guān)鍵詞，來(lái)源及性質(zhì)是語(yǔ)義詞）

問(wèn)題3：土地

分詞程序處理后：土地（只含有關(guān)鍵詞）

問(wèn)題1與問(wèn)題2關(guān)鍵詞是相同的，但是語(yǔ)義詞是不同的，這樣匹配后返回的答案結(jié)果是不相同的.如果開始的時(shí)候只提出問(wèn)題3，那么系統(tǒng)會(huì)認(rèn)為知識(shí)庫(kù)中無(wú)此問(wèn)題的答案.因此，建議用戶提問(wèn)題的時(shí)候應(yīng)該加入語(yǔ)義限定詞，這樣才會(huì)返回準(zhǔn)確的答案，否則，會(huì)顯示用戶并不想要的結(jié)果.

2 分詞算法

2.1 正向最大匹配分詞

正向減字最大匹配法切分的過(guò)程是從自然語(yǔ)言的中文語(yǔ)句中提取出設(shè)定長(zhǎng)度字串，與詞典比較，如果在詞典中，就算一個(gè)有意義的詞串，并用分隔符分隔輸出，否則縮短字串，在詞典中重新查找（詞典是預(yù)先定義好的）.

算法思想：從待切分的文本D中提取，對(duì)于每個(gè)句子S1從左向右以MAXLEN為界選出候選字串W，如果W在字典中，處理下一個(gè)長(zhǎng)為MAXLEN的侯選字段；否則，將W最右邊一個(gè)字去掉，繼續(xù)與字典比較；S1切分完之后，構(gòu)成詞的字符串或者此時(shí)W已經(jīng)為單個(gè)字，用分隔符隔開輸出給S2.從S1中減去W，繼續(xù)處理后續(xù)的字串.S1處理結(jié)束，取D中的下一個(gè)句子賦給S1，重復(fù)前述的步驟，直到整篇文本D都切分完畢.

具體算法：輸入：中文詞典，待切分的文本D，D中有若干被標(biāo)點(diǎn)符號(hào)分割的句子S1，設(shè)定最大長(zhǎng)度MAXLEN（是一個(gè)經(jīng)驗(yàn)值，通常設(shè)為8個(gè)字節(jié)，過(guò)小，長(zhǎng)詞會(huì)被切斷，過(guò)長(zhǎng)，又會(huì)導(dǎo)致切分效率低）流程圖如圖1所示：

偽代碼：

算法分析：設(shè)文本還有句子的數(shù)目為M，句子的平均長(zhǎng)度為K，詞典的條目為N，實(shí)際中M和K遠(yuǎn)遠(yuǎn)小于N，這個(gè)算法復(fù)雜度中起決定作用的步驟在于N相關(guān)的語(yǔ)句，因此整個(gè)算法的時(shí)間復(fù)雜度為 O（MKLOGN）.

實(shí)驗(yàn)表明：正向最大匹配算法的錯(cuò)誤率為1/169.

2.2 基于鄰詞的分詞算法

算法思想：從D中提取，依次掃描輸入串，按照從左到右的順序截取1到MAXLEN長(zhǎng)度的子串作為全部的候選詞 w1、w2、…、wi，記錄方式為該子串在輸入串中的起點(diǎn)位置i，以及子串長(zhǎng)度l（偏移量），在輸入字串中查出每個(gè)候選詞右鄰詞和左鄰詞；如果當(dāng)前詞wi在關(guān)鍵詞詞典中，則wi是分詞結(jié)果輸出，wi+1作為新的后選詞循環(huán)此過(guò)程.

假定對(duì)字串從左到右進(jìn)行掃描，可以得到w1，w2，…，wi-1，wi，…等若干候選詞，如果 wi的尾字跟wi-1的首字鄰接，就稱wi為wi-1的右鄰詞.

算法：

輸入：中文詞典，待切分的文本D，D中有若干被標(biāo)點(diǎn)符號(hào)分割的句子S1

偽代碼描述：

這種方法優(yōu)點(diǎn)主要體現(xiàn)在詞表較小，分詞速度比較快，但是要完善這個(gè)算法，關(guān)鍵是要加入一個(gè)動(dòng)態(tài)學(xué)習(xí)的過(guò)程，可以是需要人工干預(yù)的，也可以是在分詞過(guò)程中自動(dòng)豐富學(xué)習(xí)的，這樣才能有效地保證計(jì)算一個(gè)字符串是否切分為一個(gè)詞的值更準(zhǔn)確，更能識(shí)別出新詞、未登錄詞等.

3 結(jié)論

筆者參與了房產(chǎn)自動(dòng)應(yīng)答系統(tǒng)的開發(fā)，并將上述算法應(yīng)用于該系統(tǒng)，事實(shí)證明本文所描述的算法在應(yīng)用的過(guò)程中起到了很好的分詞作用，保證了系統(tǒng)的正常高效運(yùn)行.

〔1〕余正濤,樊孝忠,康海燕.基于自然語(yǔ)言理解的受限領(lǐng)域自動(dòng)應(yīng)答系統(tǒng) [J].計(jì)算機(jī)工程,2004,18:35-37.

〔2〕張恒,楊文昭,屈景輝,盧虹冰,張亮,趙飛.基于詞典和詞頻的中文分詞方法[J].軟件時(shí)空,2008（3）:239-240+232.

〔3〕朱代華.基于分詞技術(shù)的智能答疑系統(tǒng)[D].四川.重慶大學(xué),碩士學(xué)位論文,2004.

〔4〕戴華,李喬良.一種有效的多模式并行匹配算法[J].電腦知識(shí)與技術(shù)(學(xué)術(shù)交流),2007（5）:1373-1375.

TP311.1

A

1673-260X（2010）02-0038-02