基于词频减少文本的算法

Question

如何在PHP中基于词频减少文本？

例如，如果我有这个文字：

house house house house book book book

它应该简化为这样（或任何类似的形式）：

house house book

所以这种方式最常用的词仍然是2和1书。

Answer 1

问题实际上很有趣。据我所知，它不是关于压缩，而是词频 - 这是我的朋友，是自然语言处理领域。

我的第一个想法是：推荐使用NLTK（并在需要时学习Python），因为没有真正的PHP等价物（最近的库可能是NlpTools）。然而，事实证明，早期的NlpTools贡献者Dan Cardin创建了一个独立的库来处理你的问题：yooper/php-text-analysis

PHP Text Analysis是一个使用PHP语言执行信息检索（IR）和自然语言处理（NLP）任务的库

将PHP Text Analysis添加到项目中

composer require yooper/php-text-analysis

以下是如何使用它的示例：

<?php

require_once('vendor/autoload.php');

$book = file_get_contents('pg74.txt'); // tom sawyer from the gutenberg project http://www.gutenberg.org/cache/epub/74/pg74.txt

// Create a tokenizer object to parse the book into a set of tokens
$tokenizer = new \TextAnalysis\Tokenizers\GeneralTokenizer();
$tokens = $tokenizer->tokenize($book);

$freqDist = new \TextAnalysis\Analysis\FreqDist($tokens);

//Get the top 10 most used words in Tom Sawyer 
$top10 = array_splice($freqDist->getKeyValuesByFrequency(), 0, 10);

对freq_dist的调用返回一个FreqDist实例。

然后，您可以自己计算单词的权重（freq / numberOfAllTokens）或使用getKeyValuesByWeight()方法。

$top10[0]/$freqDist->getTotalTokens();
$weights = $freqDist->getKeyValuesByWeight();

...或者通过出现最不频繁的首字词来标准化所选单词的频率，例如：

foreach ($top10 as $word => $freq) {
    $relWeight[$word] = $freq/end($top10);
}

根据你的输入，你会发现你最常用的词是a，the，that等。这就是为什么你要删除stopwords。我们才开始..

Here是一些更多的样本。

Answer 2

在PHP中压缩和解压缩字符串：gzcompress，gzuncompress

例：

$text = "house house house house book book book";
echo "Orignal text lenght : ". strlen($text)."<br>";
$compressed = gzcompress($text, 9);
echo "Compressed text: ".$compressed."<br>";
echo "Compress text length :". strlen($compressed);
echo "<br>";
echo "Uncompressed text :".$uncompressed = gzuncompress($compressed);

输出：

原文长度：38

压缩文本：x /-NU R

压缩文本长度：22

未压缩的文本：房子的房子房子书书