我目前正在尝试用Java实现标记引擎，并搜索从文本（文章）中提取关键字/标记的解决方案。我在stackoverflow上找到了一些建议使用Pointwise Mutual Information的解决方案。
我不能使用pyton和nltk所以我必须自己实现它。但我不知道如何计算概率。 等式看起来像这样：
PMI(term, doc) = log [ P(term, doc) / (P(term)*P(doc)) ]
我想知道的是如何计算P（term，doc）
我已经有一个lange文本语料库和一组文章。这些文章不是语料库的一部分。语料库用lucene索引。
请帮帮我。 最好的问候。
答案 0 :(得分：2)
有很多算法可以做到这一点：
开源工具：
kea（http://www.nzdl.org/Kea/）监督方法使用训练数据和受控词汇
maui索引器（http://code.google.com/p/maui-indexer/）它基本上是kea的扩展，它提供了使用百科全书进行关键短语提取的工具。
carrot2（http://project.carrot2.org/）无监督的关键短语提取方法。它支持关键短语提取的输入，输出格式和参数的大量变化。
mallet主题建模模块（http://mallet.cs.umass.edu/topics.php）
斯坦福主题建模工具（http://nlp.stanford.edu/software/tmt/tmt-0.3/）
Mahout群集算法（http://mahout.apache.org/）
商业api：
Alchemy API（http://www.alchemyapi.com/api/keyword-extraction/）
zemanta API（http://www.zemanta.com/developer/）
雅虎术语提取api（http://developer.yahoo.com/contentanalysis/）