用于从文章中提取相关关键字/标签的java工具

Question

我正在寻找基于java的工具，用于从给定文章中提取相关标签。 我需要一个基本上可以尝试识别给定文章的主要主题和术语的工具。 谢谢你的帮助。

Answer 1

检查以下关键词/主题提取软件/工具：

• Kea - 关键字提取
• Tmt - 斯坦福主题检测工具包（与Excel集成，用Scala编写的脚本），它支持半自动主题检测模式（用户的反馈）。
• maui

如果您想开发自己的主题检测系统，请查看LDA implementation in mallet（链接到正在运行的LDA示例，槌主页上的那个不适用于最新的mallet版）。

Answer 2

您可以使用HtmlUnit来解析文章的HTML并查询您有兴趣搜索的文档部分。然后，您可以应用自己设计的简单算法来确定标签/关键字。

例如，split()在空格上的文本，然后计算每个单词出现的次数。最常出现的词（忽略诸如“和”，“the”，“if”等等）是关键词的良好候选者。