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
{
public sealed class WawaSplitWorder
{
static List<string> _stopWords = new List<string>();
static NICTCLAS _nictclas;
public static void Init()
{
try
{
//1、初始化分词器
_nictclas = new NICTCLAS();
_nictclas.OperateType = eOperateType.OnlySegment;
_nictclas.OutputFormat = eOutputFormat.PKU;
//2、加载停止词
using (StreamReader sr =
new StreamReader("data\\StopWords.txt", Encoding.Default))
{
string temp;
while ((temp = sr.ReadLine()) != null)
{
_stopWords.Add(temp);
}
}
}
catch (Exception ex)
{
Trace.TraceError("初始化分词器错误:{0}", ex);
}
}
/**//// <summary>
/// 分词并去除停止词
/// </summary>
/// <param name="input"></param>
/// <returns></returns>
public static IEnumerable<string> SplitWords(string input)
{
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(".", "");
string result = string.Empty;
List<string> ret = null;
try
{
//1、分词
_nictclas.ParagraphProcessing(input, ref result);
ret = new List<string>(
result.Split(new string[] { " " }, StringSplitOptions.RemoveEmptyEntries));
//2、去除干扰词
List<string> needRemove = new List<string>();
foreach (string word in ret)
{
foreach (string s in _stopWords)
{
if (string.Compare(s, word, false) == 0)
{
needRemove.Add(word);
break;
}
}
}
foreach (string removeWord in needRemove)
{
ret.Remove(removeWord);
}
}
catch (Exception ex)
{
//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);
}
return ret;
}
}
}
计算词频
class AutoGenTag
{
//大字典，保存每个词的词频,key是词，value是词频
static Dictionary<string,int> _hashlist = new Dictionary<string, int>(10240);
public static void Excute()
{
//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 (string str in source)
{
//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 (string word in words)
{
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> pair in _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bilkcopy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。