萬盛學電腦網

您现在的位置: 萬盛學電腦網 >> 程式設計 >  >> 網路程式設計 >> PHP 程式設計

PHP 自動提取關鍵字演算法實現與程式碼解析

前言

在 PHP 開發中,自動從文本中提取關鍵字是常見需求,適用於 SEO 優化、內容標籤生成、文章摘要等場景。本文詳細解析一種基於詞頻統計與重疊過濾的關鍵字提取演算法,並提供完整可執行的 PHP 程式碼實現。

核心演算法邏輯

該演算法採用滑動窗口遍歷字串,統計各長度子串出現頻率,結合最小詞頻與最小長度閾值篩選候選關鍵字,最後通過區間重疊檢測去除冗餘結果。

關鍵參數說明

  • $mincipin:最小詞頻閾值,預設 5 次
  • $minlen:關鍵字最小長度,預設 4 個字符

完整程式碼實現

<?php
function tiqukeyword($tiqustr, $minlen, $mincipin) {
    $strlong = strlen($tiqustr);
    $arr = array();
    $k = -1;
    
    // 第一階段:滑動窗口掃描統計詞頻
    for ($i = 0; $i < ($strlong - $mincipin * $minlen); $i++) {
        $end = ceil(($strlong - $i) / $mincipin + $i);
        for ($j = $minlen; $j < $end; $j++) {
            $num = 0;
            if (($guanjianzi = substr($tiqustr, $i, $j)) !== false) {
                $wz = $i + $j;
                $num++;
            } else {
                break;
            }
            
            // 統計該子串在全文出現次數
            while ($wz < $strlong) {
                if (($wz = strpos($tiqustr, $guanjianzi, $wz)) !== false) {
                    $num++;
                    $wz = $wz + strlen($guanjianzi);
                } else {
                    break;
                }
            }
            
            // 根據詞頻條件存入候選陣列
            if ($j == $minlen) {
                if ($num >= $mincipin) {
                    $maxnum = $num;
                    $k++;
                    $str = substr($tiqustr, $i, $j);
                    $arr[$k] = array($i, $j, $str, $num, 0);
                } else {
                    break;
                }
            } else {
                if ($num >= $maxnum) {
                    $maxnum = $num;
                    $str = substr($tiqustr, $i, $j);
                    $arr[$k] = array($i, $j, $str, $num, 0);
                } else {
                    break;
                }
            }
        }
    }
    
    echo '初步得到的陣列:';
    print_r($arr);
    
    // 第二階段:重疊區間標記與去除
    $arrlong = count($arr);
    for ($i = 0; $i < $arrlong; $i++) {
        $bjarr = $arr[$i];
        $nowid = $i;
        if ($bjarr[4] == 1) continue;
        
        for ($j = $i + 1; $j < $arrlong; $j++) {
            if ($arr[$j][4] == 1) continue;
            $qujianks = $bjarr[0];
            $qujianjs = $bjarr[1] + $bjarr[0] - 1;
            $a = $arr[$j][0];
            $b = $arr[$j][1] + $arr[$j][0] - 1;
            
            // 相同關鍵字保留高頻者
            if (($bjarr[2] == $arr[$j][2]) && ($bjarr[3] > $arr[$j][3])) {
                $arr[$j][4] = 1;
            }
            // 區間包含關係處理
            if ($a <= $qujianks && $qujianks <= $b && $a <= $qujianjs && $qujianjs <= $b) {
                if ($bjarr[3] <= $arr[$j][3]) {
                    $arr[$nowid][4] = 1;
                    $nowid = $j;
                    $bjarr = $arr[$j];
                }
            } elseif ($qujianks <= $a && $a <= $qujianjs && $qujianks <= $b && $b <= $qujianjs) {
                $arr[$j][4] = 1;
            }
        }
    }
    
    echo '重疊標記後的陣列:';
    print_r($arr);
    
    // 第三階段:輸出最終結果
    $jieguoarr = array();
    for ($i = 0; $i < $arrlong; $i++) {
        if ($arr[$i][4] == 0) $jieguoarr[] = $arr[$i];
    }
    
    echo '最後得到的關鍵字陣列:';
    print_r($jieguoarr);
    return $jieguoarr;
}

// 使用範例
$text = "PHP是一種流行的伺服器端腳本語言,PHP廣泛用於Web開發,PHP語法簡單易學";
tiqukeyword($text, 4, 2);
?>

演算法優缺點分析

優點缺點
無需外部分詞詞庫,純 PHP 實現對中文分詞效果有限,未處理語義
邏輯清晰,易於理解與修改時間複雜度較高 O(n³),長文本效能較差
可自定義詞頻與長度閾值無法識別同義詞或相關詞

生產環境建議

實際專案中建議使用成熟的分詞庫,如:

  • SCWS(Simple Chinese Words Segmentation)—— C 語言實現,PHP 擴展效能極佳
  • Jieba-PHP—— 結巴分詞 PHP 版,支援自定義詞典
  • Composer 套件:fukuball/jieba-php、jiannei/laravel-scws

總結

本文演示的演算法適合教學理解與簡單場景,生產環境處理中文文本請採用專業分詞庫結合 TF-IDF、TextRank 等經典關鍵字提取模型。

copyright © 萬盛學電腦網 all rights reserved