蛙蛙牌自動提取Tag算法
摘要：Tag系統是Web2.0的一個招牌應用，如果你有一個經營了好幾年的論壇，是不是也想生成自己的一套TAG。別聽他們說什麼語義WEB，文本聚類算法，TIIDF，餘弦定理，相似度算法啥的高深算法（我一個也沒整明白），跟我來，簡單的計算詞頻來提取tag的效果就很好。
分析；把每個帖子進行分詞，然後把詞的出現頻率倒序排列，取出前N個就作爲TAG了。當然要一個板塊一個板塊的提取tag，如果把軍事板塊和情感板塊的帖子混雜在一起提取tag，提取出來的tag相關性比較差一些，如果分開提取，相關性要好一些，整體效果好。好多時候做訓練算法，語料很重要。先分詞吧，自己寫分詞算法也是弄個詞庫，自己用正向最大匹配來分詞，或者兩個兩個字的來當詞，所以還不如直接用中科院那套呢，直接使用了隱式馬爾可夫算法，效果雖說不是很好吧，也能滿足需求了，對吧。具體測試代碼、分詞組件、詞庫下載見以下鏈接
http://www.cnblogs.com/edison1024/archive/2006/05/03/390832.html
得點了他那個廣告才能顯示下載地址，你就點吧，人家提供下載也不容易。分詞後要去除停止詞，停止詞自己從網上搜索一份，如果不去除停止詞，最後肯定是“了”，“的”，“我”等詞出現的頻率最高，你不會把這些常用詞做tags吧，呵呵。當然NICTCLAS是可以標註詞性的，你可以分詞後把語氣詞、副詞等虛詞去了，這樣更好一些，但我就懶得做了，直接分詞、去除停止詞兩步。
完了計算每個詞出現的頻率就好說了，弄一個全局的字典，每個詞出現一次增加一個計數，第一次出現先添加到字典，並計數爲0，最後把出現次數在某個閾值以上的詞插入到數據庫裏，這就是你要的tag了，先來看一下我的效果吧（大家別笑哦，我是從一個美女貼圖論壇提取了一些帖子的主題當語料的，爲了不降低博客園的PR值，就貼圖，不貼文字了）。
開始上代碼
先貼分詞
namespace WawaSoft.Search.Common
{
public sealed class WawaSplitWorder
{
static List<string> _stopWords = new List<string>(); static NICTCLAS _nictclas; public static void Init() { try { //1、初始化分詞器 _nictclas = new NICTCLAS(); _nictclas.OperateType = eOperateType.OnlySegment; _nictclas.OutputFormat = eOutputFormat.PKU; //2、加載停止詞 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("初始化分詞器錯誤:{0}", ex); } } /// <summary> /// 分詞並去除停止詞 /// </summary> /// <param name="input"></param> /// <returns></returns> public static IEnumerable<string> SplitWords(string input) { Console.WriteLine(input); //預處理，不處理那個分詞組件有可能內存讀寫錯誤，那玩意兒寫的不太健壯，容錯性8行的說，呵呵 input = input.Replace("/", ""); input = input.Replace(".", ""); string result = string.Empty; List<string> ret = null; try { //1、分詞 _nictclas.ParagraphProcessing(input, ref result); ret = new List<string>( result.Split(new string[] { " " }, StringSplitOptions.RemoveEmptyEntries)); //2、去除干擾詞 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) { //錯誤的時候除了打出錯誤詳細信息後打出出錯的上下文，傳入的參數，臨時變量等有助於從trace裏分析錯誤，要不死了也不知道怎麼死的 Console.WriteLine("{0}/r/n{1}",input,ex); } return ret; } }
}計算詞頻
class AutoGenTag{ //大字典，保存每個詞的詞頻,key是詞，value是詞頻 static Dictionary<string,int> _hashlist = new Dictionary<string, int>(10240); public static void Excute() { //1、取出帖子，越多越好，越多提取的準確性越高 IEnumerable<string> source = Dao.GetPostTitles(); foreach (string str in source) { //2、把每個帖子主題分詞 IEnumerable<string> words = WawaSplitWorder.SplitWords(str); if(words == null) continue; //3、把每個詞插入到大字典裏，以前存在就把詞頻加1 foreach (string word in words) { if(_hashlist.ContainsKey(word)) { _hashlist[word]++; } else { _hashlist.Add(word,0); } } } //4、把大於某個閾值(這裏是20)的詞插入數據 foreach (KeyValuePair<string, int> pair in _hashlist) { //如果一次循環插入幾萬個詞,SQLSERVE每秒提交的批會很高，有可能CPU瞬間很高，Sleep(0)能讓CPU長得慢點兒，Sleep(1)也行，不過我不知道這兩個的區別。或者直接 用sqlserver的bulkcopy 性能也8錯 Thread.Sleep(0); if (pair.Value > 20) { Console.WriteLine("{0}-{1}",pair.Key,pair.Value); Dao.addtags(pair.Key, pair.Value); } } }}代碼寫的比較糙，大家湊合看，都是隨手寫的。最後寫一個sql查出tag並按詞頻倒序排列，選出一個datatable,用datalist一綁定就O了。當然了，我這是提取標籤的土法，大師們看了別吐，呵呵。