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。
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。
<?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);
?>
| 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 |
實際專案中建議使用成熟的分詞庫,如:
fukuball/jieba-php、jiannei/laravel-scws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。