php實現自動獲取生成關鍵詞功能

以前寫程序一直在逃避這個問題，tag什么的都是要求使用程序的人自行輸入，對於某些懶人及為了程序的體驗，則是希望可以有自動生成文章關鍵詞，自動獲取文章tag的類似功能，這次為了迎接新的項目，所以搗鼓了一晚上，研究了一下這個功能。

要實現自動獲取關鍵詞的功能，大概可以分成三步

1，通過分詞算法將標題和內容分別進行分割，提取出關鍵詞和頻度。當前主要的兩個算法是中科院的ICTCLAS和隱馬爾可夫模型。但這兩個都太高端，有一定的門檻，且都是只支持C++/JAVA。基於PHP的當前有兩個是值得推薦的PSCWS和HTTPCWS。 SCWS於2008-03-08發布1.0.0 正式版，到現在最新版本已經到了1.0.4。PSCWS是它的PHP版。而HTTPCWS是張宴開發的，之前叫PHPCWS。PHPCWS 先使用“ICTCLAS 3.0 共享版中文分詞算法”的API進行初次分詞處理，再使用自行編寫的“逆向最大匹配算法”對分詞和進行詞語合並處理，並增加標點符號過濾功能，得出分詞結果。不過很遺憾目前僅支持Linux系統，尚未移植到win平台上。

 2，將提取結果與現有詞庫進行比較，處理，去除無用的詞得到最符合規則的關鍵詞。這里主要就是要看詞庫了，我們可以自己定義詞庫，也可以使用現有的成熟詞庫。比如新浪和網易博客都有這個功能,。他們分詞應該有不錯的詞庫，因為他們都是大網站，而我呢，區區一個小程序員，不可能搞到什么權威的詞庫，所以只能從現有的開源程序上入手，看看他們的詞庫。

 3，在處理后的提取結果中選擇適當的作為最終的關鍵詞，得到最符合當前內容的關鍵詞，在這個階段就是具體情況具體分析了，無論如何也不可能達到人的那種智能化。最多是。當前PHP類CMS都自有自己的提取關鍵詞系統。

 目前在網絡上流傳最廣的是DEDECMS的分詞源碼，我做了測試，發現相當的呆，效果很不好。它先設置一個關鍵詞長度，確定獲取關鍵詞的數量，然后取詞，它認為標題分好的詞就是所需關鍵詞，在加上從正文中讀取關鍵詞只到達到這個所設置的長度，就是最終關鍵詞了。另外類似“我們”等無意義的詞也沒有去除掉提取並被列為關鍵詞的頻率太高，甚至有時候還會把空格的HTML提出來做為關鍵詞，亟待改進。不過如果作為輔助功能，它已經很好了。而discuz的稍微好一些，但是discuz並沒有提供源碼，只是提供了一個在線api。

 而dede的分詞也有好幾個版本，最好的應該是最新版的吧，出現頻率什么都有了，下面就以dede5.7的分詞和discuz的api的結果對比下

測試例子：

    $title="THINKPHP官方即將停止對2.0版本的支持";
    $body="了更好地做好ThinkPHP框架的開發、維護和支持工作，官方宣布從2012年5月1日起s對2.0及之前版本的維護和支持，為了節能低碳考慮，同時也取消官網的相應版本和文檔下載。
    就此緬懷那些年，曾經一起開發的ThinkPHP版本吧！
    關於ThinkPHP 2.0版本
    ThinkPHP誕生於2006年，致力於WEB應用的快速開發，其2.0版本發布於2009年10月1日 ，在之前的1.*版本上完成新的重構和飛躍，當時是一次划時代的版本，為新版奠定了基礎，同時也積累了較多的用戶群和網站，隨着框架的快速更新，和新版2.1、2.2和3.0版本的陸續發布，預示着ThinkPHP的3.0時代到來了，2.0的生命周期宣告結束。但基本上2.0的很多功能都延續或者完善到2.1版本中了，從2.0版本升級到2.1和2.2版本也相對輕松。2.2版本是2.*版本的最終版本，不再更新功能，僅做BUG修復。";


一、dede分詞

將結果排序后如下

    標題Array    (
    [THINKPHP] => 1
    [官方] => 1
    [即將] => 1
    [停止] => 1
    [對] => 1
    [2.0] => 1
    [版本] => 1
    [的] => 1
    [支持] => 1
    )
    內容Array    (
    [版本] => 12
    [的] => 12
    [和] => 8
    [ThinkPHP] => 5
    [2.0] => 5
    [也] => 3
    [2.2] => 3
    [2.1] => 3
    [開發] => 3
    [3.0] => 2
    [是] => 2
    [快速] => 2
    [到] => 2
    [發布] => 2
    [維護] => 2
    [之前] => 2
    [了] => 2
    [新版] => 2
    [支持] => 2
    [框架] => 2
    [同時] => 2
    [從] => 2


對此如何取出最終的需要的關鍵詞呢？ 初步思路是先去除“的”，“些”這些詞，再按照內容的排序順序，依次看分到是否出現在標題中出現即為所需的，這樣可以取出一定量的詞最為最終關鍵詞。如上結果我們可以得到

    版本 thinkphp 2.0 支持 停止


五個關鍵詞。看起來結果還是可以接受的。

二、在來看discuz的，利用api得到的是一個xml文檔，解析后得到的關鍵詞是

    的、快速、版本升級、開發、用戶


五個詞，第一個是“的”......

對比這兩種方式發現第一種dede+后續處理的較為接近文檔的內容，應該是稍好一些，而discuz的偏離了文章的主題，但是其取到詞有一定的熱門性