手把手教你做关键词匹配项目(搜索引擎)---- 第十九天

客串:屌丝的坑人表单神器

走过的那些事儿:数据库那点事儿

探讨:探讨负载均衡

面向对象的认识:面向对象的认识----新生的初识面向对象的番外----思想的梦游篇(1)

 

起点:手把手教你做关键词匹配项目(搜索引擎)---- 第一天

回顾:手把手教你做关键词匹配项目(搜索引擎)---- 第十八天

 

第十九天

上回我们一直提到字典的构建,以及宝贝属性的特殊处理,提得太多,导致现在整个系统还不能完全的运行起来。

小帅帅要多在这方面下功夫了。

就算上次我们提到的用SQL语句里面的对属性LIKE,对黑名单NOT LIKE也无法解决所有的问题,我们只是把需要匹配的关键词缩小了范围。

我们拿一个实例来说明下:

有个宝贝是雪纺连衣裙,那么雪纺连衣裙a 、新潮雪纺连衣裙a、韩版雪纺女裙a、高仿雪纺女裙、正品女裙等这些词能用吗?

小帅帅、于老大、小乐乐、小欢欢以及小哼哼一致认为需要为每个关键词跟宝贝属性(字典)做匹配,当匹配度处于某个值,比如>=80%的时候可用。

小帅帅又纳闷了,怎么做到为每个关键词跟宝贝属性(字典)做匹配呢?

当时于老大就提到用关键词拆分算法,这个算法其实很简单,原理如下:

把关键词按业务词汇拆成词组或者单词,对每个单词或者词组算出在整个关键词所占的比例,比如:雪纺连衣裙a 那么会被拆分成雪纺、连衣裙和a,那么相应的比例为33%、50%和17%。

然后再根据所拆成的词组或者单词同宝贝属性(字典)做对比,那么算出匹配成功的总比例来决定是否可用。比如宝贝是雪纺连衣裙,那么雪纺连衣裙a,所得到的匹配度为33%+50%=83%。

 

当这个算法一讲解完毕,小帅帅就迫不急待的写了代码,代码如下:

<?php

class Splitter {

    /**
     * 获取类目下分词的词组数据,按字符串长度比较排序
     * @param $cid
     * @return array
     */
    public static function getWordSegmentation($cid){

        $ret = array();
        $sql = "select word from category_linklist where cid='$cid'";
        $words = DB::makeArray($sql);
        foreach($words as $strWords){
            $words = explode(",",$strWords);

            foreach($words as $word){
               if(self::isPhrase($word)){
                    $ret[] = $word;
                }
            }
        }

        usort($ret,function($a,$b){
            return (strlen($a)<strlen($b))?1:-1;
        });

        return $ret;
    }

    /**
     * 检测是否为词组
     * @param $word
     * @return bool
     */
    public static function isPhrase($word){
        if(preg_match('/^[\x{4E00}-\x{9FA5}]+$/u', $word) && strlen($word) <= 3){
            return false;
        }

        if(strlen($word)<=1){
            return false;
        }
        return true;
    }


    /**
     * 把关键词拆分成词组或者单词
     * @param $keyword
     * @param $cid
     * @return array
     */
    public static function split($keyword,$cid){

        $splitWords = array();
        $splitSegmentation = self::getWordSegmentation($cid);
        $remainKeyword = $keyword;

        foreach($splitSegmentation as $phrase){

            if(count(explode($phrase,$remainKeyword))>1){
                $splitWords[] = $phrase;
                $remainKeyword = str_replace($phrase,"::",$remainKeyword);
            }
        }

        $remainKeywords = explode("::",$remainKeyword);
        $splitWords = array_merge($splitWords,$remainKeywords);

        $keywordScores = array();
        foreach($splitWords as $splitWord){

            $keywordScore = new KeywordScore();
            $keywordScore->splitWord = $splitWord;
            $keywordScore->weight = self::calculateWeight($splitWord,$keyword);
            $keywordScores[] = $keywordScore;
        }

        return $keywordScores;

    }

    /**
     * @desc 计算UTF8字符串权重
     * @param string $splitWord
     * @param string $word
     * @return float
     */
    public static function calculateWeight($splitWord, $word)
    {
        return ROUND(strlen($splitWord) / strlen($word), 3);
    }

}


class KeywordScore {

    public $splitWord;
    public $weight;

}

小帅帅写这个也是一点一点经过多次重构而得来的结果,他不想让于老大失望,所以一再精益求精。

小帅帅把代码拿给于老大看的时候,于老大会有什么反应呢,请看下回分解.

posted @ 2014-09-01 13:28  oShine.Q  阅读(3657)  评论(2编辑  收藏  举报