使用 Node.js 对文本内容分词和关键词抽取

作者: 月影大神 2017-05-16 14:28:05

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。

Node.js 自然语言处理
上一篇:神经风格迁移研究概述:从当前研究到未来方向 下一篇:如何用 TensorFlow 教机器人作曲?秘诀原来是这样
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

准备开始学习NLP,我该系统地看哪些书和课程?

许多学生一直在要求我为如何开始自然语言处理准备指南。这篇博客文章旨在根据研究,对该领域的了解和个人经验来帮助他人。尽管这不是直接指南,但我在此处共享的资源可以帮助您根据需要创建自己的NLP学习路径。这将是我多年来遇到的教育资源的结合。我将分享我在研究这些资源及其适用方面的经验。

AI研习社-译站 ·  2020-12-10 15:24:05
2020全球NLP行业报告:NLP技术预算增长高达30%

2020年对于公共卫生、职业生活、经济以及日常生活的几乎所有其他方面来说,都是独一无二的一年。虽然一些机会正在消失,另一些则正在转变其商业模式,罕见没有受到冲击的企业。尽管如此,还是有一些行业正在蓬勃发展,不仅仅是虚拟会议或医疗保健。

AI研习社-译站 ·  2020-12-04 14:15:28
为什么企业应该了解聊天机器人中的自然语言处理?

自然语言处理(NLP)使聊天机器人能够理解我们的会话信息并相应地作出响应。

iothome ·  2020-11-05 05:31:09
在预训练NLP模型上测量性别相关性

在过去的几年中,自然语言处理(NLP)取得了长足的进步,诸如BERT,ALBERT,ELECTRA和XLNet等预训练语言模型在各种任务中均取得较高的准确性。预训练语言模型以Wikipedia这样的大型文本语料库为训练集,通过遮掩一些单词并对它们进行预测来学习嵌入表示,即遮掩语言建模。

雷锋字幕组 ·  2020-10-26 15:48:32
AI批评:GPT-3根本不知道自己在说什么

GPT-3是OpenAI语言人工智能模型,由1750亿个参数组成。GPT-3的“内容生产”是否真到了“以假乱真”的地步呢?纽约大学名誉教授盖瑞·马库斯和他的团队进行了一系列测试。而测试结果表明,当前OpenAI的语言生成器GPT-3对现实的把握仍然很差,距离通用人工智能(AGI)还很遥远。

Noe ·  2020-09-08 17:47:36
如何让机器更懂你?是时候了解NLP了

NLP有着广泛的应用范围,翻译和语言生成、分类和聚合、情感分析,以及其他信息提取、Siri等虚拟助手都在NLP的应用范围之内。下面我们将介绍一下NLP的现状以及其适用范围。

计算机世界 ·  2020-09-03 07:27:16
自然语言处理将彻底改变企业的业务

从支持面向客户的聊天机器人,到跟踪合同承诺,再到充分利用会议记录,自然语言处理具有巨大的潜力来改变企业的业务。

Mary Branscombe ·  2020-07-23 10:24:15
自然语言处理在当今商业中的八大应用

在过去的几年里,NLP在理论和实践上都取得了重大飞跃,融入了各种基于行业的解决方案。让我们来看看自然语言处理的一些广泛使用的商业应用。

Cassie ·  2020-07-14 10:31:30
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载