讲师中心 微信公众号

工具推荐

视频效率加速
Laper
Laper

剧本策划到成片协作

updream

一键生成高质量推广成片

SoundView
SoundView

字幕擦除翻译、配音口型同步

剧云
剧云

中文短剧剧本制作平台

SCWS演示站中文本自动分类是如何实现的

阿墨大大_3731

阿墨大大_3731

发布时间:2016-06-06 20:47:29

|

1369人浏览过

|

来源于php中文网

原创

这是网址,我尝试了一些文本的输入,匹配的准确度挺高的,它实现的原理是什么?是否是检索已有的数据库来匹配文本?我在网上查了很久也没找到关于这方面的资料,哪里能有参考资料下载?


解决思路:

scws 是个 php 代码的分词库。这个自动分类没有开源,不知道它具体是怎么做的。

可能的思路是:

SCWS给文本分词,分词之后,进行分析。(也许需要去一点噪音,比如“的”、“了”之类。)

最简单粗暴的方法,维护一个分类的字典,某一分类下有一堆词,如果这堆词中的任何一个在文本中出现了,就加1分,然后统计每个分类所得的分数,最后计算出所属分类。

如果嫌上面的太简单粗暴,那么我们可以改进:

细化一些规则。比如,分类的字典里,某一分类下的词中,一部分词比另一部分词和这个分类联系更紧密,把这个权重算进去。文章开头和结尾出现的词,权重更大,强调结构中的词权重更大,等等。再比如,如果我们有把握某一分类下的文本不太可能出现某些词,那么一旦文本中出现了这些词,这个文本属于那一类的概率要给它调低。

简单来说,就是分词把文本变成词集,然后再按照制定的规则进行分析。

然后规则不一定要我们一条一条地写出来,可以让机器自动去“发现”。这就是统计分析。一般而言我们先有一堆分好类的文本作标准,然后,用机器去分析这些分好类的范本,来挖掘词与类的联系。然后机器将学习所得应用到新的词集上,计算出所属的类。

整个过程可以反复进行,就是说如果我们感觉计算结果不精确,可以调整参数什么的,如果感觉精确,可以把结果加到范本里。范本越多,机器的判断一般就会更准确。

Build MCP servers and clients for PHP applications with the official PHP SDK
Build MCP servers and clients for PHP applications with the official PHP SDK

使用官方Model Context Protocol PHP SDK将PHP应用程序功能暴露为MCP工具、资源和提示,用于代理工作流。

下载

上面提到“挖掘词与类的联系”,这实际包含两方面,首先我们要找出和分类关系最紧密的那些词,或者说,最能区分自身所属的类别的那些词——也就是特征。

上面已经提到,出现频率高的词更可能区分文章。按照这个思路去计算,就是一个算法。如果我们考虑到,在所有类型的文本中出现频率较高的词,不太可能区分文章(例如“的”,到处都是高频,没什么用)。那么,我们就要找那些在本文中频率高,而在所有文本中频率不高的词。这个提取特征的算法就叫作“TF-IDF(term frequency–inverse document frequency)”。

除此之外,还有IG、MI、CHI等算法。上面我们提到“如果我们有把握某一分类下的文本不太可能出现某些词”,类似这样的想法就是这三个算法背后的直觉。IG(Information Gain)统计某个类别的文本中一个词出现和不出现的概率。MI(Mutual Information)考虑的是,如果两个词同时出现,或者一个词出现,另一个不出现,更可能是某一类。(比如,“机器”和“编程”同时出现,那么更可能是编程类,“机器”和“机床”同时出现,加上“编程”、“软件”等词没有出现,那就不太可能是编程类。)在MI的基础上,再加上如果出现了“种马”的就不太可能属于女性向YY小说类的设定,就是CHI(卡方检定——这个名字来源于卡方分布)。

好了,上面的方法各异,有的方法看上去更完善一点,但是性能可能差一点,还有,完善的方法需要参数找准才行,如果参数不对,可能还拼不过简单的方法。然后,上面的方法都没有考虑词出现的位置,还有改进的空间。例如我们前面说开始、结尾、强调结构等处的词权重要大,这个因素也可以加进去计算,这里不深入。

不管用哪种方法,假定我们已经提取好了特征,接着就要比较相似度了,最简单的思路,寻找最接近待分类文本的n个样本,然后根据这n个样本的分类,加权每个样本的相似度,就可以计算出最接近哪一类。这个思路,就是KNN(K近邻)算法。

还有NB(Naïve Bayes)算法,基于贝叶斯公式的算法。以及遗传算法。因为贝叶斯公式和遗传算法太出名,这里就不介绍了。(貌似科学松鼠会就有科普文章。)

以上都是一些原理的皮毛。深入的话,请找机器学习或者数据挖掘类的书来读。

热门AI工具

更多
Laper
Laper Hot

Laper是专为编剧、导演和制片人推出的 AI 原生剧本创作工具。

Flowith
Flowith Hot

Flowith是一款基于画布和智能体工作流的 AI 协作工作空间。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

火山引擎

火山引擎是一款面向企业的云计算与AI服务平台。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

VibeKnow
VibeKnow Hot

一款AI视频创作工具,主要用于全球首个AI知识视频创作平台,文档、文章、网页,一键生成视频,适合需要提升相关任务效率的用户。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

UP简历
UP简历 Hot

一款AI办公效率工具,主要用于基于AI技术的免费在线简历制作工具,适合需要提升相关任务效率的用户。

切问学术

切问学术是一款AI论文写作工具,复旦大学NLP团队推出的AI学术智能体。

相关专题

更多
Nginx CVE-2026-123007排查与防护指南
Nginx CVE-2026-123007排查与防护指南

Nginx HTTP/2漏洞该怎么修复?本专题围绕CVE-2026-123007,介绍安全版本升级、模块兼容检查和配置恢复方法,以及日志排查、权限设置等后续加固操作,方便你按实际部署情况查找对应教程。

0

2026.11.20

GoFrame框架Web开发与路由中间件
GoFrame框架Web开发与路由中间件

本专题聚焦GoFrame框架的Web开发,拆解路由注册与匹配规则、请求参数获取、参数校验与中间件执行顺序,说明统一响应、JWT鉴权、文件上传与接口文档生成的落地方式,并补充优雅重启与测试实践。

40

2026.11.17

GoFrame框架安装与gf命令行工具
GoFrame框架安装与gf命令行工具

本专题围绕GoFrame框架的安装与工具链配置展开,讲清Go版本要求、gf命令行的安装方式、代理镜像与依赖准备,说明项目初始化、热编译、交叉编译打包的做法,并整理安装阶段的常见报错与验证步骤。

60

2026.11.17

GoFrame框架零基础入门
GoFrame框架零基础入门

本专题整理GoFrame框架的入门知识,从模块化设计理念、环境准备到跑通第一个Web服务,讲清目录分层、配置加载、日志与中间件的用法,并对比Gin、Go-Zero的差异,帮助Go开发者建立整体认知。

80

2026.11.17

SQLAlchemy 一对多关系怎么建立
SQLAlchemy 一对多关系怎么建立

SQLAlchemy 一对多关系怎么建立?本专题整理父子表外键、relationship 双向映射、关联查询、级联删除和加载优化等相关文章,帮助你理解并实现常见的 ORM 关系建模。

20

2026.11.17

SQLAlchemy 如何增删改查
SQLAlchemy 如何增删改查

SQLAlchemy 如何增删改查?本专题整理 ORM 新增记录、条件查询、更新和删除、Session 事务提交与批量处理等实用文章,帮助你掌握 Python 数据库操作流程。

80

2026.11.17

SQLAlchemy ORM 模型怎么写
SQLAlchemy ORM 模型怎么写

SQLAlchemy ORM 模型怎么写?本专题整理模型类定义、Mapped 字段映射、主键与约束、表结构创建和常见报错的相关文章,帮助你从基础配置到实际建模逐步掌握 SQLAlchemy。

40

2026.11.17

Go-Zero API开发使用教程
Go-Zero API开发使用教程

本专题聚焦Go-Zero的API开发,拆解.api描述文件的语法结构、路由与分组定义、参数绑定与校验规则,说明统一响应体、JWT鉴权、跨域与接口文档生成的落地方式,并给出网关聚合与接口测试的实践建议。

180

2026.11.12

Go-Zero安装与goctl环境配置教程
Go-Zero安装与goctl环境配置教程

本专题围绕Go-Zero的安装与工具链配置展开,讲清Go版本要求、goctl安装方式、代理镜像、protoc依赖与环境变量设置,说明多版本共存、升级回退与CI流水线安装的做法,并整理安装阶段的常见报错与验证步骤。

140

2026.11.12

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
墨刀帮助中心
墨刀帮助中心

共0课时 | 0人学习

MyEclipse学习中心
MyEclipse学习中心

共0课时 | 0人学习

关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn