php实现自动获取生成文章主题关键词功能的深入分析


Posted in PHP onJune 03, 2013

以前写程序一直在逃避这个问题,tag什么的都是要求使用程序的人自行输入,对于某些懒人及为了程序的体验,则是希望可以有自动生成文章关键词,自动获取文章tag的类似功能,这次为了迎接新的项目,所以捣鼓了一晚上,研究了一下这个功能。
要实现自动获取关键词的功能,大概可以分成三步
1,通过分词算法将标题和内容分别进行分割,提取出关键词和频度。
当前主要的两个算法是中科院的ICTCLAS和隐马尔可夫模型。但这两个都太高端,有一定的门槛,且都是只支持C++/JAVA。基于PHP的当前有两个是值得推荐的PSCWS和HTTPCWS。 SCWS于2008-03-08发布1.0.0 正式版,到现在最新版本已经到了1.0.4。PSCWS是它的PHP版。而HTTPCWS是张宴开发的,之前叫PHPCWS。PHPCWS 先使用“ICTCLAS 3.0 共享版中文分词算法”的API进行初次分词处理,再使用自行编写的“逆向最大匹配算法”对分词和进行词语合并处理,并增加标点符号过滤功能,得出分词结果。不过很遗憾目前仅支持Linux系统,尚未移植到win平台上。
2,将提取结果与现有词库进行比较,处理,去除无用的词得到最符合规则的关键词。这里主要就是要看词库了,我们可以自己定义词库,也可以使用现有的成熟词库。比如新浪和网易博客都有这个功能,。他们分词应该有不错的词库,因为他们都是大网站,而我呢,区区一个小程序员,不可能搞到什么权威的词库,所以只能从现有的开源程序上入手,看看他们的词库。
3,在处理后的提取结果中选择适当的作为最终的关键词,得到最符合当前内容的关键词,在这个阶段就是具体情况具体分析了,无论如何也不可能达到人的那种智能化。最多是。当前PHP类CMS都自有自己的提取关键词系统。
目前在网络上流传最广的是DEDECMS的分词源码,我做了测试,发现相当的呆,效果很不好。它先设置一个关键词长度,确定获取关键词的数量,然后取词,它认为标题分好的词就是所需关键词,在加上从正文中读取关键词只到达到这个所设置的长度,就是最终关键词了。另外类似“我们”等无意义的词也没有去除掉提取并被列为关键词的频率太高,甚至有时候还会把空格的HTML提出来做为关键词,亟待改进。不过如果作为辅助功能,它已经很好了。而discuz的稍微好一些,但是discuz并没有提供源码,只是提供了一个在线api。
而dede的分词也有好几个版本,最好的应该是最新版的吧,出现频率什么都有了,下面就以dede5.7的分词和discuz的api的结果对比下
测试例子:
$title="THINKPHP官方即将停止对2.0版本的支持";
$body="了更好地做好ThinkPHP框架的开发、维护和支持工作,官方宣布从2012年5月1日起s对2.0及之前版本的维护和支持,为了节能低碳考虑,同时也取消官网的相应版本和文档下载。
就此缅怀那些年,曾经一起开发的ThinkPHP版本吧!
关于ThinkPHP 2.0版本
ThinkPHP诞生于2006年,致力于WEB应用的快速开发,其2.0版本发布于2009年10月1日 ,在之前的1.*版本上完成新的重构和飞跃,当时是一次划时代的版本,为新版奠定了基础,同时也积累了较多的用户群和网站,随着框架的快速更新,和新版2.1、2.2和3.0版本的陆续发布,预示着ThinkPHP的3.0时代到来了,2.0的生命周期宣告结束。但基本上2.0的很多功能都延续或者完善到2.1版本中了,从2.0版本升级到2.1和2.2版本也相对轻松。2.2版本是2.*版本的最终版本,不再更新功能,仅做BUG修复。";
一、dede分词
将结果排序后如下
    ?祟}Array    (
    [THINKPHP] => 1
    [官方] => 1
    [即将] => 1
    [停止] => 1
    [对] => 1
    [2.0] => 1
    [版本] => 1
    [的] => 1
    [支持] => 1
    )
    内容Array    (
    [版本] => 12
    [的] => 12
    [和] => 8
    [ThinkPHP] => 5
    [2.0] => 5
    [也] => 3
    [2.2] => 3
    [2.1] => 3
    [开发] => 3
    [3.0] => 2
    [是] => 2
    [快速] => 2
    [到] => 2
    [发布] => 2
    [维护] => 2
    [之前] => 2
    [了] => 2
    [新版] => 2
    [支持] => 2
    [框架] => 2
    [同时] => 2
    [从] => 2
对此如何取出最终的需要的关键词呢? 初步思路是先去除“的”,“些”这些词,再按照内容的排序顺序,依次看分到是否出现在标题中出现即为所需的,这样可以取出一定量的词最为最终关键词。如上结果我们可以得到
版本 thinkphp 2.0 支持 停止
五个关键词。看起来结果还是可以接受的。
二、在来看discuz的,利用api得到的是一个xml文档,解析后得到的关键词是
的、快速、版本升级、开发、用户
五个词,第一个是“的”......
对比这两种方式发现第一种dede+后续处理的较为接近文档的内容,应该是稍好一些,而discuz的偏离了文章的主题,但是其取到词有一定的热门性

PHP 相关文章推荐
如何提高MYSQL数据库的查询统计速度 select 索引应用
Apr 11 PHP
用PHP即时捕捉PHP中的错误并发送email通知的实现代码
Jan 19 PHP
Codeigniter出现错误提示Error with CACHE directory的解决方案
Jun 12 PHP
phpmyadmin中禁止外网使用的方法
Nov 04 PHP
PHP实现将textarea的值根据回车换行拆分至数组
Jun 10 PHP
php析构函数的简单使用说明
Aug 24 PHP
WordPress中重置文章循环的rewind_posts()函数讲解
Jan 11 PHP
Zend Framework实现留言本分页功能(附demo源码下载)
Mar 22 PHP
PHP中的表达式简述
May 29 PHP
PHP实现json_decode不转义中文的方法
May 20 PHP
PHP调用API接口实现天气查询功能的示例
Sep 21 PHP
PHP后台备份MySQL数据库的源码实例
Mar 18 PHP
基于MySQL到MongoDB简易对照表的详解
Jun 03 #PHP
PHP Error与Logging函数的深入理解
Jun 03 #PHP
作为PHP程序员应该了解MongoDB的五件事
Jun 03 #PHP
基于Discuz security.inc.php代码的深入分析
Jun 03 #PHP
基于HBase Thrift接口的一些使用问题及相关注意事项的详解
Jun 03 #PHP
基于php在各种web服务器的运行模式详解
Jun 03 #PHP
PHP运行模式的深入理解
Jun 03 #PHP
You might like
PHP.ini安全配置检测工具pcc简单介绍
2015/07/02 PHP
php中session_id()函数详细介绍,会话id生成过程及session id长度
2015/09/23 PHP
使用PHPExcel实现数据批量导出为excel表格的方法(必看)
2017/06/09 PHP
如何让div span等元素能响应键盘事件操作指南
2012/11/13 Javascript
JQuery实现的图文自动轮播效果插件
2015/06/19 Javascript
jQuery实现鼠标滑过点击事件音效试听
2015/08/31 Javascript
js实现浮动在网页右侧的简洁QQ在线客服代码
2015/09/04 Javascript
有关jquery与DOM节点操作方法和属性记录
2016/04/15 Javascript
babel基本使用详解
2017/02/17 Javascript
JS实现预加载视频音频/视频获取截图(返回canvas截图)
2017/10/09 Javascript
AngularJS 实现购物车全选反选功能
2017/10/24 Javascript
vue内置组件transition简单原理图文详解(小结)
2018/07/12 Javascript
Nodejs处理异常操作示例
2018/12/25 NodeJs
Vue实现点击显示不同图片的效果
2019/08/10 Javascript
Layui数据表格 前后端json数据接收的方法
2019/09/19 Javascript
js实现点击生成随机div
2020/01/16 Javascript
零基础写python爬虫之抓取糗事百科代码分享
2014/11/06 Python
通过实例简单了解Python中yield的作用
2019/12/11 Python
python代码如何实现余弦相似性计算
2020/02/09 Python
Python使用扩展库pywin32实现批量文档打印实例
2020/04/09 Python
python实现mean-shift聚类算法
2020/06/10 Python
Python常用断言函数实例汇总
2020/11/30 Python
python爬虫爬取图片的简单代码
2021/01/18 Python
StubHub墨西哥:购买和出售您的门票
2016/09/17 全球购物
荷兰皇家航空公司中国官网:KLM中国
2017/12/13 全球购物
师范毕业生自我鉴定
2014/01/15 职场文书
工作会议主持词
2014/03/17 职场文书
防邪知识进家庭活动方案
2014/08/26 职场文书
党的群众路线教育实践活动调研报告
2014/11/03 职场文书
2014年度培训工作总结
2014/11/27 职场文书
班主任高考寄语
2015/02/26 职场文书
初中语文教学研修日志
2015/11/13 职场文书
MySQL创建索引需要了解的
2021/04/08 MySQL
详解TypeScript中的类型保护
2021/04/29 Javascript
spring注解 @PropertySource配置数据源全流程
2022/03/25 Java/Android
Apache Hudi的多版本清理服务彻底讲解
2022/03/31 Servers