标签云端数据后端

Question

我希望能够从任意数量的不同来源的自由文本生成标签云。为了清楚起见，我不是在讨论如何在已经发现关键标签/短语时显示标签云，我希望能够自己发现有意义的短语......在PHP/MySQL堆栈上更可取。

如果我必须自己做这件事，我首先要为单词/短语建立某种索引，为任何单词/短语给出“正常”的频率。例如“君士坦丁堡”平均每1,000,000字出现一次（正常频率“0.000001”）。然后，当我分析一个文本主体时，我会找到单个词/短语（另一个挑战！），找到每个输入内的频率，并根据预期的频率进行测量。与预期频率比率最高的词在云中获得提升优先级。

我想相信其他人已经这样做了，比我希望的更好，但是如果我能找到它，我会被诅咒的。

任何建议？

Answer 1

您需要一个倒排索引，供全文搜索引擎使用。像Lucene或Xapian这样的文本搜索库应该有所帮助，许多这样的库都有PHP绑定。