|
|
|
Google分詞算法值得我們好好研究一下。Google的搜索結果頁(SERP)與搜索關鍵字的相關性，明顯大于百度，這是因為Google把搜索關鍵字都拆分成最基本的詞組和單字后，在根據相關性去匹配數據庫的中內容，而且Google拆分后的最基本詞組，完全是根據詞典里的詞組匹配的，也是說它符合國家語言文字工作委員會的規范和標準的，這只限于普通詞組(公眾人名、著名品牌名)。
實例1：測試Google是否有專業名詞庫
在Google搜索“搜索引擎關鍵字”，Google會把這個關鍵字短語拆分為“搜索—引擎—關鍵—字”，這是因為“搜索引擎”和“關鍵字”都是網絡專業詞組，可能Google沒有專業詞組庫，所以就被拆分成了“搜索—引擎—關鍵—字”。
實例2：測試Google拆分長關鍵字
在Google搜索“他舅WAP流量統計分析”，Google把這個關鍵字短語拆分為“他—舅—wap—流量—統計—分析”六部分，“WAP”是一個英文詞組，包括Google和其他搜索引擎一般是不拆分英文詞組的(就算它不是英文單詞)，“流量”、“統計”、“分析”都是符合國家語言規范的標準詞組，“他舅”只是中國老百姓一個口頭稱謂用語，不符合國家語言規范，在詞典中根本就查不到這，所以Google就把“他舅”拆分成了兩個單字。
實例3：測試品牌名是否被Google收錄為詞組
在Google搜索“海爾冰箱”、“惠普電腦”、“華為通訊”、“美的電器”，“五糧液酒”，“夏利汽車”、“北京同仁堂”這七個都是著名的品牌，結果是“海爾”、“惠普”、“華為”、“五糧液”、“同仁堂”都是單獨的詞組，沒有被拆分為單字，“夏利”、“美的”這兩個品牌卻被拆分成了單字。不是所有品牌都能被Google作為一個詞組收錄進品牌詞庫，Google有自己的收錄標準的。
實例4：測試Google是否會拆分成語
下面我們搜索一下韓喬生的經典名句“迅雷不及掩耳之勢”和“山清水秀麗”，結果“迅雷不及掩耳之勢”這個短句被拆分成了“迅雷—不及—掩耳盜鈴—之—勢”，“迅雷”是一個符合漢語言規范的標準詞組，不是指下載工具那個“迅雷”，“不及”也是一個詞組，“掩耳盜鈴”也是符合國家語言規范的成語，“之勢”不是標準詞組，所以就被拆分為兩個單字。“山清水秀麗”被拆分為了“山清水秀—麗”，“山清水秀”是一個成語沒有拆分。Google把成語作為幾個基本詞組，不會進一步拆分。
實例5：測試普通之間是否有權重高低之分
搜索“山河水災”這個關鍵字短語，結果Google拆分為“山河”和“水災”兩個詞組;然后搜素“山河水災情”這個關鍵字短語，結果Google拆分為“山河”、“水”、“災情”三部分，“水”字沒有和“災”組成詞組，反而“災”和“情”組成了詞組，這說“災情”這個詞的權重高于“水災”的權重。這說明詞組之間也是有權重之分的。
根據實例測試推斷：Google會把搜索的關鍵字(短語)拆分為最基本的詞組，這些普通詞組都是符合漢語言規范的標準詞組，不像百度那樣收錄“人造名詞”。Google的詞組大致可分為普通名詞、地名、人名等幾類，關鍵字(短語)都是從左向右，按權重高低拆分。這些詞組權重從低到高依次如下：人名<普通詞組<地名<成語<領導人名字。進一步測試品牌名和人名的權重是一樣，都是最低的，這只是一個大致順序，因為同一類詞組還會根據日常使用的頻率進一步的分級，每一級的分配不同的權重，所以同一類詞組之間也有權重高低之分。
|
|
