中文分词和二元分词综合对比

为了测试中文分词和二元分词的差异，现将初步的测试数据做了对比。关于二元分词可以参考车东先生的相关文章。
   

采用中文分词每1M产生1.55M的索引文件，膨胀率1.55；每1M用时大约10秒；采用二元分词每1M产生2.21M的索引文件，膨胀率2.21；每1M用时大约7秒；

从搜索结果来看，两者可以大致相同数量的搜索结果（显示结果根据相关度排列顺序不同）。    

对文本进行中文分词的目的是要提高文档检索的相关性，由于相关性的算法（如下图）涉及到很多因素，所以对二元切分和中文分词切分显示结果到底谁更相关（人理解的意义相关？），还无法得出结论。

相关度算法：

score(q,d) =	Σ	tf(t in d) * idf(t) * getBoost(t.field in d) * lengthNorm(t.field in d)	* coord(q,d) * queryNorm(q)
	t in q

 

       但有一点可以肯定，采用中文分词多花的解析中文时间可以带来丰厚的回报：索引文件和Term数量的大大减少。

可参考本文最后表格的图片对比。图中的数据是出现频率第100至120个Term情况，二元分词产生了大量的没有意义的Term。

 

 

	数据源大小（M）	索引大小	膨胀率	Term个数	每兆Term个数	所用时间（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

 

 

	中文分词	二元分词
索引源大小	14.2M	14.2M
索引源内容	论坛某天全部发言	论坛某天全部发言
建立索引用时	105秒	87秒
索引文件大小	22.5M	31.5M
生成的Term数	76473	384488   （5.02倍）
文档数	6802	6802
搜索：XX	236 （搜索结果（条））	235（搜索结果（条））
XX	361	361
XX	769	768
XX	50	50
XX	41	41
XX	3	3
XX	0	0
最常出现的词：	Rank = 查询Text出现的次数