本文将从 分词的本质、中英文分词、分词****** 的方法 三个方面，带 您一文搞懂Tokenization（分词）。
一、 分词 的本质
核心逻辑 ： 将句子、段落、文章这种长文本，分解为以字词为单位的数据结构。
- 文本切分：分词是将连续的文本切分为独立的、有意义的词汇单元的过程。这些词汇单元可以是单词、词组或特定的符号，切分的目的是使文本更易于处理和解析。
- 语义理解的基础：分词是语义理解的基础步骤。计算机通过分词能够识别出文本中的基本语义单元，进而进行词性标注、句法分析、语义推理等更高级的处理。
- 数据结构化：分词将非结构化的文本数据转化为结构化的词汇序列，使得文本数据能够被计算机程序有效地处理和分析。
为什么要分词： 分词是将自然语言简化为数学问题，提供合适语义粒度的关键步骤。
- 问题转化：分词可以将非结构化的文本数据转化为结构化数据，这样复杂的自然语言处理就被转化为了更易于处理的数学问题。
- 合适的语义粒度： 词是语言中表达完整含义的基本单位。 与字相比，词能够提供更丰富的语义信息。单个字往往无法独立表达完整的意义，而词则可以。同时，与句子相比，词的粒度更小，更易于处理和复用。
二、中英文分词
中英文分词对比 ：
- 分词方式：英文文本天然地通过空格分隔单词，为自动分词提供了便利。中文则缺乏明确的分隔符，分词需要依据语义和上下文进行，更加复杂且容易产生歧义。
- 词形变化：英文单词具有丰富的词形变化，如时态、语态、单复数等，需要进行词形还原（Lemmatization）和词干提取（Stemming）以统一处理。词性还原：does，done，doing，did 需要通过词性还原恢复成 do。词干提取：cities，children，teeth 这些词，需要转换为 city，child，tooth”这些基本形态。 中文则不需要。
- 粒度问题：中文分词时需要考虑粒度大小，即词汇的划分粗细。不同粒度可能对应不同的语义，需要根据具体场景选择。英文中由于单词本身即为基础单位，不存在这一问题。
******中文分词难点
：******
- 缺乏统一标准
- 问题描述： 中文分词没有公认、统一的标准或规范。
- 挑战： 导致不同机构、公司或组织采用各异的分词方法和规则，增加了中文分词研究和应用的复杂性。
- 歧义词汇切分
- 问题描述： 中文中存在大量歧义词汇，其分词方式随上下文变化。
- 挑战： 要求分词系统能够准确根据上下文判断词汇边界和具体含义，增加了分词的难度和复杂性。
- 新词快速识别
- 问题描述： 信息爆炸时代，新词和流行语不断涌现。
- 挑战： 要求中文分词系统具备灵活性和自适应性，能够快速、准确地识别和处理这些新词，如“多巴胺穿搭、显眼包”等网络流行语。
三、分词 的方法
基于统计 ：
- 特点： 对新词和未登录词识别良好。
- 基本思路： 通过统计学习建立模型，利用上下文信息进行分词。
- 常用算法： 隐马尔可夫模型（HMM）、支持向量机（SVM）等。
********基于深度学习
：********
- 特点：能自动学习文本中的复杂特征。
- 基本思路：使用深度学习模型进行序列标注实现分词。
- 常用模型：双向长短期记忆网络（BiLSTM）、条件随机场（CRF）等。