java word中提取关键字
发布网友
发布时间：2022-04-20 11:38
共2个回答
热心网友
时间：2022-04-06 11:19
给个思路吧。
读取word用doc4j，然后就是读成字符串进行处理了。
提取关键字首先是中文分词技术，就是把一段话划分成多个组成的词语，然后统计词语的出现次数，这个是主要依据。这个是有实现的jar包的，可以去搜，搜java 中文分词就行。
分词之后，记录词语出现位置，这个是辅助的依据，记录词语一句话中的位置，越靠前越像关键字，权重越高。
甚至可能需要建立一个权重体系，次数设置一个权重，整体位置设置一个权重，不同位置权重也不同。不了解权重可以理解成系数（百分比的，然后计算那个词是关键词）。
同时需要注意，可能需要排除一些常用词，哪些次需要排除，这个需要根据程序反复运行，读取不同word文章的结果来定。
不明白的话在问吧。追问感谢详细的回答，那请问：
①用apache 的poi来读取word可以吗？
②如何将每个词进行统计？如果文章全部词语都进行统计，效率会不会很低？
③怎么判断一些常出现的字词，比如“那么”，“如果”，“的”,"了"之类的？需要建一个类似常用词库之类的吗？
谢谢了！
追答
poi是用来操作excel的，是否能用来读取word不知道，不能把，没有这么用过。
将词出现的次数放进map中，算法很多，我说的这个算法效率是低。
是需要建立一个需要排除的字库的。凡是字库内的词都不算。
热心网友
时间：2022-04-06 12:37
首先，从WORD中得到文字，然后，做分词——这个是难点。可以用apache的一个开源项目做的。
国内也有一个分词的项目，可以拿来用。
