我們前面說過，中文不像英文，字與字中間與空白相間，所以中文句子要搭配 TF-IDF 前，需要先經過適當的斷詞。中文斷詞領域最常見的兩套工具就是 Jieba（結巴）和 CKIP 了。今天主要介紹我選擇 CKIP 而非 Jieba 的原因。
Jieba 來自中國，而 CKIP 來自中研院，我們發現同樣的句子，將「長」、「照」判斷為兩個詞，而 CKIP 則是將「長照」視為一個詞，可能原因是台灣與中國用語不同。考慮問答集中可能會有較多台灣用語，所以本研究最終選擇使用中研院製作的 CKIP。
接著分別以TF-IDF搭配Jieba和CKIP，比較以「長照」為關鍵字搜尋最接近的問句，使用Jieba斷詞的結果，系統找到的是「什麼是定點乾燥?」；使用CKIP斷詞的結果，系統找到的是「長照服務專線」。很明顯使用CKIP斷詞，系統能找到更貼切的問句。
iThome鐵人賽
看影片追技術