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

自然语言处理(nlp)比计算机视觉(cv)发展缓慢,而且更难!

不是说nlp在这波深度学习浪潮下没有进展,而是说突破并没有cv那么巨大。很多文本分类任务,你用一个巨复杂的双向LTSM的效果,不见得比好好做手工feature + svm好多少,而svm速度快、小巧、不需要大量数据、不需要gpu,很多场景真不见得深度学习的模型就比svm、gbdt等传统模型就好用。

霍华德 ·  2018-11-07 09:25:07
除了自然语言处理,你还可以用词嵌入(Word2Vec)做这个

尽管词嵌入(Word2Vec)技术目前主要用在自然语言处理的应用中,例如机器翻译;但本文指出,该技术还可以用于分类特征处理,把文本数据转换成便于机器学习算法直接使用的实值向量,从而提供了一种看待词嵌入(Word2Vec)应用的新视角。

佚名 ·  2017-08-04 10:16:52
AI技术将如何推动制药行业发展?

从目前来看,AI技术的应用范围已经非常广泛,各个行业可谓概莫能外——制药行业自然也在其中。这一切,将给制药这一历史悠久且至关重要的行业带来前所未有的变革。

佚名 ·  13h前
疫情期间都用上哪些热点技术?AI、5G、RTC,大数据纷纷登场

2020年这场突入其来的疫情,在AI、5G、RTC、大数据等科技技术的帮助下,从技术和数据的维度对疫情期间的预警、防控、追踪起到了非常重要的作用。

允中 ·  17h前
2020年搞深度学习需要什么样的GPU:请上48G显存

在 lambda 最新的一篇显卡横向测评文章中,开发者们探讨了哪些 GPU 可以再不出现内存错误的情况下训练模型。当然,还有这些 GPU 的 AI 性能。

机器之心 ·  17h前
Excel狂魔?单元格做计算机视觉:人脸检测、OCR都不在话下

计算机视觉是什么?过于专业,一步劝退?在普通人看来,计算机视觉是软件开发者才能涉足的领域,需要用到很多专业的框架,普通人只能围观。但 GitHub 上的一个项目似乎颠覆了我们的认知。

佚名 ·  18h前
5项人工智能实例,令人惊叹

为了让人工智能成为主流,科学家和研究人员付出了更多的努力。正因如此,这项独创性技术不仅已经融入了人们的日常生活,而且持续影响着多个行业。人工智能是一种不可忽视的力量,从Siri和Alexa这样的语音驱动私人助理到自动驾驶汽车,它一直在不断发展。

读芯术 ·  18h前
独家下载!阿里如何用 AI 写代码?

作为今年阿里经济体前端委员会的四大技术方向之一,前端智能化方向一被提及,就不免有人好奇:前端结合 AI 能做些什么,怎么做,未来会不会对前端产生很大的冲击等等。本篇文章将围绕这些问题,以「设计稿自动生成代码」场景为例,从背景分析、竞品分析、问题拆解、技术方案等几个角度切入,细述相关思考及过程实践。

妙净、波本 ·  19h前
Copyright©2005-2020 51CTO.COM 版权所有 未经许可 请勿转载