蛙蛙牌自动提取Tag算法

蛙蛙牌自动提取Tag算法

摘要：Tag系统是Web2.0的一个招牌应用，如果你有一个经营了好几年的论坛，是不是也想生成自己的一套TAG。别听他们说什么语义WEB，文本聚类算法，TIIDF，余弦定理，相似度算法啥的高深算法（我一个也没整明白），跟我来，简单的计算词频来提取tag的效果就很好。

分析；把每个帖子进行分词，然后把词的出现频率倒序排列，取出前N个就作为TAG了。当然要一个板块一个板块的提取tag，如果把军事板块和情感板块的帖子混杂在一起提取tag，提取出来的tag相关性比较差一些，如果分开提取，相关性要好一些，整体效果好。好多时候做训练算法，语料很重要。先分词吧，自己写分词算法也是弄个词库，自己用正向最大匹配来分词，或者两个两个字的来当词，所以还不如直接用中科院那套呢，直接使用了隐式马尔可夫算法，效果虽说不是很好吧，也能满足需求了，对吧。具体测试代码、分词组件、词库下载见以下链接
http://www.cnblogs.com/edison1024/archive/2006/05/03/390832.html
得点了他那个广告才能显示下载地址，你就点吧，人家提供下载也不容易。分词后要去除停止词，停止词自己从网上搜索一份，如果不去除停止词，最后肯定是“了”，“的”，“我”等词出现的频率最高，你不会把这些常用词做tags吧，呵呵。当然NICTCLAS是可以标注词性的，你可以分词后把语气词、副词等虚词去了，这样更好一些，但我就懒得做了，直接分词、去除停止词两步。
完了计算每个词出现的频率就好说了，弄一个全局的字典，每个词出现一次增加一个计数，第一次出现先添加到字典，并计数为0，最后把出现次数在某个阈值以上的词插入到数据库里，这就是你要的tag了，先来看一下我的效果吧（大家别笑哦，我是从一个美女贴图论坛提取了一些帖子的主题当语料的，为了不降低博客园的PR值，就贴图，不贴文字了）。

开始上代码
先贴分词

namespace WawaSoft.Search.Common
{
publicsealedclassWawaSplitWorder
{
staticList<string>_stopWords=newList<string>();
staticNICTCLAS_nictclas;
publicstaticvoidInit()
{
try
{
//1、初始化分词器
_nictclas=newNICTCLAS();
_nictclas.OperateType=eOperateType.OnlySegment;
_nictclas.OutputFormat=eOutputFormat.PKU;

//2、加载停止词
using(StreamReadersr=
newStreamReader("data\\StopWords.txt",Encoding.Default))
{
stringtemp;
while((temp=sr.ReadLine())!=null)
{
_stopWords.Add(temp);
}
}
}
catch(Exceptionex)
{
Trace.TraceError("初始化分词器错误:{0}",ex);
}
}

/**////<summary>
///分词并去除停止词
///</summary>
///<paramname="input"></param>
///<returns></returns>
publicstaticIEnumerable<string>SplitWords(stringinput)
{
Console.WriteLine(input);

//预处理，不处理那个分词组件有可能内存读写错误，那玩意儿写的不太健壮，容错性8行的说，呵呵
input=input.Replace("/","");
input=input.Replace(".","");
stringresult=string.Empty;
List<string>ret=null;
try
{
//1、分词
_nictclas.ParagraphProcessing(input,refresult);
ret=newList<string>(
result.Split(newstring[]{""},StringSplitOptions.RemoveEmptyEntries));

//2、去除干扰词
List<string>needRemove=newList<string>();
foreach(stringwordinret)
{
foreach(stringsin_stopWords)
{
if(string.Compare(s,word,false)==0)
{
needRemove.Add(word);
break;
}
}
}

foreach(stringremoveWordinneedRemove)
{
ret.Remove(removeWord);
}
}
catch(Exceptionex)
{
//错误的时候除了打出错误详细信息后打出出错的上下文，传入的参数，临时变量等有助于从trace里分析错误，要不死了也不知道怎么死的
Console.WriteLine("{0}\r\n{1}",input,ex);
}

returnret;
}
}
}

计算词频

class AutoGenTag
{
//大字典，保存每个词的词频,key是词，value是词频
staticDictionary<string,int>_hashlist=newDictionary<string,int>(10240);

publicstaticvoidExcute()
{
//1、取出帖子，越多越好，越多提取的准确性越高
IEnumerable<string>source=Dao.GetPostTitles();
foreach(stringstrinsource)
{
//2、把每个帖子主题分词
IEnumerable<string>words=WawaSplitWorder.SplitWords(str);
if(words==null)
continue;

//3、把每个词插入到大字典里，以前存在就把词频加1
foreach(stringwordinwords)
{
if(_hashlist.ContainsKey(word))
{
_hashlist[word]++;
}
else
{
_hashlist.Add(word,0);
}
}
}
//4、把大于某个阈值(这里是20)的词插入数据
foreach(KeyValuePair<string,int>pairin_hashlist)
{
//如果一次循环插入几万个词,SQLSERVE每秒提交的批会很高，有可能CPU瞬间很高，Sleep(0)能让CPU长得慢点儿，Sleep(1)也行，不过我不知道这两个的区别。或者直接用sqlserver的bulkcopy 性能也8错
Thread.Sleep(0);
if(pair.Value>20)
{
Console.WriteLine("{0}-{1}",pair.Key,pair.Value);
Dao.addtags(pair.Key,pair.Value);
}
}
}
}

代码写的比较糙，大家凑合看，都是随手写的。最后写一个sql查出tag并按词频倒序排列，选出一个datatable,用datalist一绑定就O了。当然了，我这是提取标签的土法，大师们看了别吐，呵呵。