当我还在大四的时候，记得曾经碰到过这样一个难题。那个时候硬是没有解决。结果后来才知道，那是个世界级的难题，不知道现在还是不是。
问题是这样的：
比如：本篇文章，或者，现在就找个 实验站 吧，实验站 这个里面的任何一篇文章，或者博客园里面的任何一篇文章都行。写好了，但是没有标题，没有关键词，你怎么能够使用程序自己把标题，关键词，还有摘要生成出来。而且是要比较准确哦，不是我们说的，提取前面多少个字。
现在把问题简单化一点吧，仅仅就说关键词的提取。首先把实验文章暂时说为 文章A。
1.文章A的所有文字，使用一个数据库表（停用词表），去掉里面需要筛选的字词，比如 “的”，“啊”等这些无实际意义的助词。这个停用词表的内容我就不在说了，大家应该都明白了。
2.把隔离开的有意义的词计数然后放入一个升序链，这样基本的关键词就出来了。但是有很多，那些才是比较正确的关键词呢？有的人说出现最多的应该就是的吧。其实不是这样的，在不同的领域不同，在图书管理学当中，因为写作比较规范，文章比较长，科学家们经过很多次的试验发现了一个关键词的比较正确的密度。好像修正后真确率可以达到60左右。但是在其他领域就不行了。
现在就是想知道园子里有没有这个方面的高手，说说你的算法怎么样的。
第二个问题，两篇文章的比较
这也是个比较伤脑筋的问题，不过看看现在的搜索引擎，google应该已经在这个方面有很好的算法了。不过还不能说精确，只能说基本正确。
我的算法思想是这样的
现在拿文章A和文章B比较吧，前提条件是，关键词已经完美的有了。如何比较两篇文章的相似度呢？这个最早的应用是在比较两篇论文的相似度的。
文章A = A
文章B = B
A中各段叫做 A1,A2,A3,A4.........An
B中各段叫做B1，B2,B3,B4.........Bn
1.首先把各段用停用词表筛选
2.然后使用A中各段和B中各段比较每段的关键词的重复密度
3.把每段的重复密度最高的叫做相近的段
4.把各个相近段密度平均处理得到这个文章的相似度。
这个就是我的基本方法。不知道园子里面其他人的更好方法呢？我曾经看到过，很多使用数学里面的矩阵和公式来计算的。但是现在基本忘记完了，况且他们的公式很多也是经过试验得出的结果，也就没太大的意义去记住了。
本人表达能力不是特别强，不知道你们有看懂没。
