PHP 實現自動提取文章關鍵詞功能的深度解析與實踐

前言：為什麼需要自動關鍵詞提取？

在早期開發項目時，我們往往要求用戶手動輸入標籤，這不僅增加了使用者的負擔，也影響了系統的使用體驗。為了迎接新項目的挑戰，我花了一整晚深入研究自動關鍵詞提取技術，發現這其實是一個系統性的工程問題，主要分為三個核心步驟。

核心步驟一：分詞算法與關鍵詞頻度統計

要實現自動獲取關鍵詞，首要任務是將標題和正文進行分詞處理。目前主流的中文分詞算法主要有中科院的 ICTCLAS 和隱馬爾可夫模型（HMM），但這些方案多基於 C++/Java，對 PHP 開發者門檻較高。所幸 PHP 生態中有兩個優秀的選擇：

• PSCWS (PHP Chinese Word Segmentation)：基於 SCWS 1.x 系列，2008 年發布 1.0.0 版，現已更新至 1.0.4，穩定成熟。
• HTTPCWS：由張宴開發，早期稱 PHPCWS，結合 ICTCLAS 3.0 API 進行初次分詞，再用逆向最大匹配算法合併詞語並過濾標點。缺點是僅支持 Linux，未移植至 Windows。

核心步驟二：詞庫比對與無用詞過濾

分詞後得到的候選詞需與詞庫比對，剔除「的、我們、了」等無實義詞。詞庫的質量直接決定提取效果。大型網站（如新浪、網易）擁有優質詞庫，但對於中小項目，只能參考開源 CMS（如 DEDECMS、Discuz）的詞庫資源。

核心步驟三：最終關鍵詞篩選策略

此階段需結合業務邏輯：優先選取同時出現在標題與正文高頻位置的詞，並限制輸出數量（如 5-8 個）。這無法達到人工級別的語義理解，但作為輔助功能已足夠實用。

實測對比：DEDECMS vs Discuz API

以 ThinkPHP 2.0 停止維護的新聞為例：

DEDECMS 5.7 分詞結果（經後處理）

版本 thinkphp 2.0 支持 停止

邏輯：去除虛詞 → 按正文頻度排序 → 保留標題中出現的詞。結果貼合主題，可接受度高。

Discuz API 返回結果

的、快速、版本升級、開發、用戶

首個詞即為「的」，且偏離核心主題，雖詞具熱門性但精準度不足。

結論與建議

綜合來看，DEDECMS 分詞 + 自定義後處理規則 的方案在精準度上優於現成 API。建議開發者根據項目規模：小型項目可直接整合 PSCWS 並維護領域詞庫；中大型項目可考慮接入專業 NLP 服務（如百度/騰訊雲 NLP API）以獲取更語義級的理解能力。