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
PHP has encountered an Access Violation at 7C94BD02解决方法
Aug 24 PHP
用php实现的下载css文件中的图片的代码
Feb 08 PHP
PHP GD 图像处理组件的常用函数总结
Apr 28 PHP
Apache 配置详解(最好的APACHE配置教程)
Jul 04 PHP
PHP类的静态(static)方法和静态(static)变量使用介绍
Feb 19 PHP
Laravel框架路由配置总结、设置技巧大全
Sep 03 PHP
php中strstr、strrchr、substr、stristr四个函数的区别总结
Sep 22 PHP
php简单实现查询数据库返回json数据
Apr 16 PHP
php实现对两个数组进行减法操作的方法
Apr 17 PHP
PHP isset()与empty()的使用区别详解
Feb 10 PHP
PHP laravel中的多对多关系实例详解
Jun 07 PHP
PHP实现微信公众号验证Token的示例代码
Dec 16 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
配置Apache2.2+PHP5+CakePHP1.2+MySQL5运行环境
2009/04/25 PHP
smarty循环嵌套用法示例分析
2016/07/19 PHP
PHP判断文件是否被引入的方法get_included_files用法示例
2016/11/29 PHP
详解PHP使用Redis存储session时的一个Warning定位
2017/07/05 PHP
PHPUnit + Laravel单元测试常用技能
2019/11/06 PHP
php把文件设置为插件的技巧方法
2020/02/03 PHP
两个DIV等高的JS的实现代码
2007/12/23 Javascript
ASP 过滤数组重复数据函数(加强版)
2010/05/31 Javascript
js通过更改按钮的显示样式实现按钮的滑动效果
2014/04/23 Javascript
js将滚动条滚动到指定位置的简单实现方法
2016/06/25 Javascript
JavaScript BASE64算法实现(完美解决中文乱码)
2017/01/10 Javascript
Vue中使用webpack别名的方法实例详解
2018/06/19 Javascript
JavaScript学习笔记之图片库案例分析
2019/01/08 Javascript
js中怎么判断两个字符串相等的实例
2019/01/17 Javascript
微信小程序利用button控制条件标签的变量问题
2020/03/15 Javascript
Javascript模块化机制实现原理详解
2020/04/02 Javascript
Python脚本处理空格的方法
2016/08/08 Python
Python实现树的先序、中序、后序排序算法示例
2017/06/23 Python
Python3 中把txt数据文件读入到矩阵中的方法
2018/04/27 Python
pthon贪吃蛇游戏详细代码
2019/01/27 Python
通过python实现弹窗广告拦截过程详解
2019/07/10 Python
Python 图像对比度增强的几种方法(小结)
2019/09/25 Python
Django框架静态文件处理、中间件、上传文件操作实例详解
2020/02/29 Python
python递归函数用法详解
2020/10/26 Python
Sentry错误日志监控使用方法解析
2020/11/12 Python
CSS3的RGBA中关于整数和百分比值的转换
2015/08/04 HTML / CSS
赫里福德的一家乡村零售商店:Philip Morris & Son
2017/06/25 全球购物
城市精细化管理实施方案
2014/03/04 职场文书
怎样填写就业意向
2014/04/02 职场文书
口才训练演讲稿范文
2014/09/16 职场文书
教师评职称工作总结2015
2015/04/20 职场文书
隐形的翅膀观后感
2015/06/10 职场文书
党员公开承诺书2016
2016/03/24 职场文书
mysql知识点整理
2021/04/05 MySQL
微信小程序APP的事件绑定以及传递参数时的冒泡和捕获
2022/04/19 Javascript
Python中requests库的用法详解
2022/06/05 Python