使用 Node.js 对文本内容分词和关键词抽取

人工智能 机器学习 移动开发
一下内容是分词库 nodejieba 基本的使用方法,在将来我们可以利用它对众成翻译发布的译文自动分析添加相应的 tag,以为各位译者和读者提供更好的用户体验。

 

众成翻译的文章有 tag,用户可以基于 tag 来快速筛选感兴趣的文章,文章也可以依照 tag 关联来进行相关推荐。但是现在众成翻译的 tag 是在推荐文章的时候设置的,都是英文的,而且人工设置难免不规范和不完全。虽然发布文章后也可以人工编辑,但是我们也不能指望用户或管理员能够时时刻刻编辑出恰当的 tag,所以我们需要用工具来自动生成 tag。

在现在开源的分词工具里面,jieba是一个功能强大性能优越的分词组件,更幸运地是,它有 node 版本

nodejieba 的安装和使用十分简单:

  1. npm install nodejieba 
  1. var nodejieba = require("nodejieba"); 
  2. var result = nodejieba.cut("帝国主义要把我们的地瓜分掉"); 
  3. console.log(result); 
  4. //[ '帝国主义', '要', '把', '我们', '的', '地', '瓜分', '掉' ] 
  5.  
  6. result = nodejieba.cut('土地,俺老孙的金箍棒在哪里?'); 
  7. console.log(result); 
  8. //[ '土地', ',', '俺', '老', '孙', '的', '金箍棒', '在', '哪里', '?' ] 
  9.  
  10. result = nodejieba.cut('大圣,您的金箍棒就棒在特别配您的头型!'); 
  11. console.log(result);  
  12. //[ '大圣',',','您','的','金箍棒','就','棒','在','特别','配','您','的','头型','!' ] 

 我们可以载入自己的字典,在字典里给每个词分别设置权重和词性:

编辑 user.uft8

  1. 地瓜 9999 n 
  2. 金箍 9999 n 
  3. 棒就棒在 9999 

然后通过 nodejieba.load 加载字典。

  1. var nodejieba = require("nodejieba"); 
  2.  
  3. nodejieba.load({ 
  4.   userDict: './user.utf8'
  5. }); 
  6.  
  7. var result = nodejieba.cut("帝国主义要把我们的地瓜分掉"); 
  8. console.log(result); 
  9. //[ '帝国主义', '要', '把', '我们', '的', '地瓜', '分', '掉' ] 
  10.  
  11. result = nodejieba.cut('土地,俺老孙的金箍棒在哪里?'); 
  12. console.log(result); 
  13. //[ '土地', ',', '俺', '老', '孙', '的', '金箍棒', '在', '哪里', '?' ] 
  14.  
  15. result = nodejieba.cut('大圣,您的金箍棒就棒在特别配您的头型!'); 
  16. console.log(result);  
  17. //[ '大圣', ',', '您', '的', '金箍', '棒就棒在', '特别', '配', '您', '的', '头型', '!' ] 

除了分词以外,我们可以利用 nodejieba 提取关键词:

  1. const content = ` 
  2. HTTP、HTTP/2与性能优化 
  3.  
  4. 本文的目的是通过比较告诉大家,为什么应该从HTTP迁移到HTTPS,以及为什么应该添加到HTTP/2的支持。在比较HTTP和HTTP/2之前,先看看什么是HTTP。 
  5.  
  6. 什么是HTTP 
  7. HTTP是在万维网上通信的一组规则。HTTP属于应用层协议,跑在TCP/IP层之上。用户通过浏览器请求网页时,HTTP负责处理请求并在Web服务器与客户端之间建立连接。 
  8.  
  9. 有了HTTP/2,不使用雪碧图、压缩、拼接,也可以提升性能。然而,这不代表不应该使用这些技术。不过这已经清楚表明了我们从HTTP/1.1移动到HTTP/2的必要性。 
  10. `; 
  11.  
  12. const nodejieba = require("nodejieba"); 
  13.  
  14. const result = nodejieba.extract(content, 20); 
  15.  
  16. console.log(result); 

输出的结果类似下面这样:

  1. [ { word: 'HTTP', weight: 140.8704516850025 }, 
  2.   { word: '请求', weight: 14.23018001394 }, 
  3.   { word: '应该', weight: 14.052171126120001 }, 
  4.   { word: '万维网', weight: 12.2912397395 }, 
  5.   { word: 'TCP', weight: 11.739204307083542 }, 
  6.   { word: '1.1', weight: 11.739204307083542 }, 
  7.   { word: 'Web', weight: 11.739204307083542 }, 
  8.   { word: '雪碧图', weight: 11.739204307083542 }, 
  9.   { word: 'HTTPS', weight: 11.739204307083542 }, 
  10.   { word: 'IP', weight: 11.739204307083542 }, 
  11.   { word: '应用层', weight: 11.2616203224 }, 
  12.   { word: '客户端', weight: 11.1926274509 }, 
  13.   { word: '浏览器', weight: 10.8561552143 }, 
  14.   { word: '拼接', weight: 9.85762638414 }, 
  15.   { word: '比较', weight: 9.5435285574 }, 
  16.   { word: '网页', weight: 9.53122979951 }, 
  17.   { word: '服务器', weight: 9.41204128224 }, 
  18.   { word: '使用', weight: 9.03259988558 }, 
  19.   { word: '必要性', weight: 8.81927328699 }, 
  20.   { word: '添加', weight: 8.0484751722 } ] 

我们添加一些新的关键词到字典里:

  1. 性能 
  2. HTTP/2 

输出结果如下:

  1. [ { word: 'HTTP', weight: 105.65283876375187 }, 
  2.   { word: 'HTTP/2', weight: 58.69602153541771 }, 
  3.   { word: '请求', weight: 14.23018001394 }, 
  4.   { word: '应该', weight: 14.052171126120001 }, 
  5.   { word: '性能', weight: 12.61259281884 }, 
  6.   { word: '万维网', weight: 12.2912397395 }, 
  7.   { word: 'IP', weight: 11.739204307083542 }, 
  8.   { word: 'HTTPS', weight: 11.739204307083542 }, 
  9.   { word: '1.1', weight: 11.739204307083542 }, 
  10.   { word: 'TCP', weight: 11.739204307083542 }, 
  11.   { word: 'Web', weight: 11.739204307083542 }, 
  12.   { word: '雪碧图', weight: 11.739204307083542 }, 
  13.   { word: '应用层', weight: 11.2616203224 }, 
  14.   { word: '客户端', weight: 11.1926274509 }, 
  15.   { word: '浏览器', weight: 10.8561552143 }, 
  16.   { word: '拼接', weight: 9.85762638414 }, 
  17.   { word: '比较', weight: 9.5435285574 }, 
  18.   { word: '网页', weight: 9.53122979951 }, 
  19.   { word: '服务器', weight: 9.41204128224 }, 
  20.   { word: '使用', weight: 9.03259988558 } ] 

在这个基础上,我们采用白名单的方式过滤出一些可以作为 tag 的词:

  1. const content = ` 
  2. HTTP、HTTP/2与性能优化 
  3.  
  4. 本文的目的是通过比较告诉大家,为什么应该从HTTP迁移到HTTPS,以及为什么应该添加到HTTP/2的支持。在比较HTTP和HTTP/2之前,先看看什么是HTTP。 
  5.  
  6. 什么是HTTP 
  7. HTTP是在万维网上通信的一组规则。HTTP属于应用层协议,跑在TCP/IP层之上。用户通过浏览器请求网页时,HTTP负责处理请求并在Web服务器与客户端之间建立连接。 
  8.  
  9. 有了HTTP/2,不使用雪碧图、压缩、拼接,也可以提升性能。然而,这不代表不应该使用这些技术。不过这已经清楚表明了我们从HTTP/1.1移动到HTTP/2的必要性。 
  10. `; 
  11.  
  12. const nodejieba = require("nodejieba"); 
  13.  
  14. nodejieba.load({ 
  15.   userDict: './user.utf8'
  16. }); 
  17.  
  18. const result = nodejieba.extract(content, 20); 
  19.  
  20. const tagList = ['HTTPS''HTTP''HTTP/2''Web''浏览器''性能']; 
  21.  
  22. console.log(result.filter(item => tagList.indexOf(item.word) >= 0)); 

***得到:

  1. [ { word: 'HTTP', weight: 105.65283876375187 }, 
  2.   { word: 'HTTP/2', weight: 58.69602153541771 }, 
  3.   { word: '性能', weight: 12.61259281884 }, 
  4.   { word: 'HTTPS', weight: 11.739204307083542 }, 
  5.   { word: 'Web', weight: 11.739204307083542 }, 
  6.   { word: '浏览器', weight: 10.8561552143 } ] 

这就是我们想要的结果。

以上就是分词库 nodejieba 基本的使用方法,在将来我们可以利用它对众成翻译发布的译文自动分析添加相应的 tag,以为各位译者和读者提供更好的用户体验。

责任编辑:林师授 来源: 十年踪迹的博客
相关推荐

2011-06-20 14:32:59

关键词

2011-06-07 18:45:41

关键词

2011-06-14 19:11:38

关键词

2013-03-28 14:54:36

2021-06-15 15:03:21

MongoDBNode.jsCRUD

2013-08-26 15:43:40

AppStore关键词开发者应用选取关键词

2022-08-28 16:30:34

Node.jsDocker指令

2011-05-25 17:58:00

2019-12-22 13:48:26

退休科技行业大佬

2011-05-25 17:38:56

关键词

2011-06-07 19:06:30

关键词

2023-01-10 14:11:26

2014-09-12 10:35:09

Node.jsHTTP 206

2023-04-18 15:18:10

2013-11-01 09:34:56

Node.js技术

2015-03-10 10:59:18

Node.js开发指南基础介绍

2022-10-12 08:00:00

语音识别Node.js音频质量

2011-06-02 18:12:35

2018-02-08 17:20:47

2012-03-20 22:19:16

Linux
点赞
收藏

51CTO技术栈公众号