| |
現(xiàn)在的CMS都自帶了采集功能，內(nèi)容和標題相對來說很好處理，但大部分情況關鍵詞很難能提取到。于是自動獲取關鍵字成為當前PHP類CMS的“傳統(tǒng)問題”。那如何才能自動獲取關鍵詞呢，其主要步驟主要可以分為如下三個步驟：
1，通過分詞算法將標題和內(nèi)容分別進行分割，提取出關鍵詞和頻度在內(nèi)容的分詞階段，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�；赑HP的當前有兩個是值得推薦的PSCWS和HTTPCWS。 SCWS于2008-03-08發(fā)布1.0.0 正式版，到現(xiàn)在最新版本已經(jīng)到了1.0.4。PSCWS是它的PHP版。而HTTPCWS是張宴開發(fā)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并處理，并增加標點符號過濾功能，得出分詞結(jié)果。目前僅支持Linux/Unix系統(tǒng)。
2，將提取結(jié)果與現(xiàn)有詞庫進行比較，得到最符合規(guī)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(xiàn)有的成熟詞庫。
3，然后將這兩套關鍵詞進行比較，得到最符合當前內(nèi)容的關鍵詞在這個階段就是具體情況具體分析了。當前PHP類CMS都自有自己的提取關鍵詞系統(tǒng)。其中在網(wǎng)絡上流傳最廣的是DEDECMS的分詞源碼，我也在我的POPCMS上作過測試，效果很不錯，不過類似“我們”等無意義的詞提取并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(jīng)很好了。另外PHPCMS和DISCUZ的自動提取關鍵詞功能也很強大。 |
| 【收藏】【打印】【進入論壇】 |
|
|
|
|
| |
|
|
|
