分词hanlp分词工具应用案例:商品图自动推荐功能的应用

分词工具  时间:2021-03-07  阅读:()

h a n lp分词工具应用案例商品图自动推荐功能的应用

本篇分享一个hanlp分词工具应用的案例简单来说就是做一图库让商家轻松方便的配置商品的图片最好是可以一键完成配置的。

先看一下效果图吧

商品单个推荐效果匹配度高的放在最前面

这个想法很好那怎么实现了。分析了一下解决方案步骤

1、 图库建设至少要有图片吧 图片肯定要有关联的商品名称、商品类别、商品规格、关键字等信息。

2、商品分词算法 由于商品名称是商家自己设置的不是规范的所以不可能完全匹配要有好的分词库来找出关键字。还有一点分词库要能够自定义词库最好能动态添加。如果读者不知道什么是分词请自行百度本文不普及这个。

3、推荐匹配度算法肯定要最匹配的放在前面而且要有匹配度分数。商家肯定有图库没有的商品 自动匹配的时候不能随便配置不相关的图片。

先说明一下本文企业没有搜索引擎之类的工具所以本质就靠的是数据库检索。首页让我们先分析一下图库下面是图库的设置界面。

让我们先贴一下图库的表结构

CREATE TABLE`wj_tbl_gal lery` (

`gal lery_id` int(11)NOTNULLAUTO_INCREMENTCOMMENT'主键',

`fi leid` int(11)NOT NULLCOMMENT'文件服务器上的文件ID',

`ptype`tinyint(4)NOT NULL DEFAULT'0'COMMENT'图片类型 0点歌屏点餐图片',

`materialsort`varchar(50)DEFAULT NULLCOMMENT'商品分类',

`materialbrand`varchar(50)DEFAULT NULLCOMMENT'商品品牌',

`materialname`varchar(100)NOT NULLCOMMENT'商品名称',

`material_spec`varchar(50)DEFAULT NULLCOMMENT'商品规格',

`material_al lname`varchar(200)DEFAULTNULLCOMMENT'商品完整名称',

`status`tinyint(4)NOT NULL DEFAULT'0'COMMENT'状态 0正常 1停用 2删除',

`updatedatetime` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATECURRENT_TIMESTAMP COMMENT'更新时间',

`keyword`varchar(200)DEFAULT NULL COMMENT'商品关键字用逗号隔开',

`bstorage`tinyint(4)NOT NULL DEFAULT'0'COMMENT'关键字是否入库0没有 1有',

PRIMARY KEY(`gal lery_id`),

KEY`idx_fi leid` (`fi leid`)

)ENGINE=InnoDBAUTO_INCREMENT=435 DEFAULTCHARSET=utf8COMMENT='图库信息表';数据示例

简单说一下material_al lname是干什么用的呢主要就是拼接商品名称、规则、关键字字段。用来写sql的时候比较方便。关键字字段是干什么用的呢作用有两个。 1是商品可能有多个名字补充名称的。二是给分词库动态添加词库。 图库简单说到这。

再说一下分词库笔者选择的是开源的汉语言分词库-hanlp分词工具

优点是词库大有词性分析可以自定义词库。缺点当然也有就是不支持数据库方法动态读取词库。后面说一下我自己的解决办法。

上代码

分词代码,这时差会去掉一些没用字符。

图5

我们分词就是调用SegmentUti ls.segmentTerm(materialname);

动态添加词库方法private void addCustomerDictory(){

Integer max=gal leryRepository.getMaxGal lery();if(CommonUti ls. isNotEmpty(max) && max > 0 && max >SegmentUti ls.CACHE_GALLERY_ID){int oldid=SegmentUti ls.CACHE_GALLERY_ID;

SegmentUti ls.CACHE_GALLERY_ID=max;

List<String>gal lery=gal leryRepository.getGal lery(oldid,max);if(CommonUti ls. isNotEmpty(gal lery) ){

Map<String,Boolean>dicMap= new HashMap<>();for(String w:gal lery){if(CommonUti ls. isNotEmpty(w)){

String[]array=w.spl it(",");if(CommonUti ls. isNotEmpty(array)){for(String item:array){

String value=item.trim();if(CommonUti ls. isNotEmpty(value)){dicMap.put(value, true);

}

}

}

}

}

Set<String>keys=dicMap.keySet();if(CommonUti ls. isNotEmpty(keys)){

SegmentUti ls. insertCustomDictory(keys);

}

}

}

}

**

*获取关键字

*

*@authordeng

*@date2019年3月13日

*@param gal leryId

*@return

*/

@Query("select keyword from Gal lery a where gal leryId > ?1 and gal leryId<=?2 anda.keyword!=' ' and bstorage=0")publ ic List<String>getGal lery(int bgal leryId, int egal leryId);

@Cacheable(value = CacheConstants.CACHE_GALLERY, keyGenerator =CacheConstants.KEY_GENERATOR_METHOD)

@Query(value = "select gal lery_id from wj_tbl_gal lery a where a.keyword !=' ' andbstorage=0 order bygal lery_id desc l imit 1", nativeQuery=true)publ icIntegergetMaxGal lery();

说一下解决思路 由于ha nlp文档上没有看到从mysql上动态添加词库方法 只有CustomDictionary. insert能动态添加单个实例词库系统如果重启就要重新添加。我就想出一个办法就是分词的时候查一下类的保存的最大图库表的主键是什么如果跟数据库一样就不动态添加。如果小于图库的主键就把没有的那一段用CustomDictionary. insert添加进去。系统一般不重启如果重启就在分词的时候重新添加一下。查询数据库当然都有缓存编辑图库的时候把对应缓存清除一下。这种方式也能支持分布式环境多个实例都是一样处理的。每过一段时间就把图库表的关键字词库搞成文件的词库避免动态添加太多占用太多内存。 自定义词库其实是很重要的任何分词库都不可能包含所有的词库而分词算法是根据词库来展开的可以说词库决定了分词结果的准确性。

让我们看一下分词的效果

商品名称为”雪碧大“的分词结果雪碧/n z,大/a,其中nz表示专有词汇 a表示形容词。再看一下不理想的分词结果

商品品名称:”蕾芙曼金棕色啤酒“,类别名称:啤酒,

分词结果:蕾/ng,芙/n,曼/ag,金/ng,棕色/n,啤酒/nz

很明显分词结果不理想蕾芙曼金棕色其实是一个商品名不能分开。怎么办呢这时候动态添加词汇功能就派上用场了。

再图库关键字时差添加蕾芙曼金棕色啤酒保存一下再看一下分词效果

物品名称:蕾芙曼金棕色啤酒,类别名称:啤酒,分词结果:蕾芙曼金棕色/nz,啤酒/nz

蕾芙曼金棕色被分到了一起达到预期效果这其实就是CustomDictionary. insert(data, "nz1024");再起作用。 hanlp具体API功能请参考官方文档本文就不介绍了。

最后重头戏来了商品图片匹配度分析。作者就是采用了mysql的sql词句的方法搞定了其实就用到了LOCATE函数很简单。 SQL示例如下

SELECTgal lery_id, fi leid,materialname,material_al lname, score

,ROUND(score/4* 100,0)ASrate

FROM(

SELECTa.gal lery_id,a.fi leid,materialname,material_al lname

, IF(LOCATE('雪碧', a.material_al lname), 2,0)+IF(LOCATE('大', a.material_al lname), 1,

0)+IF(LOCATE('饮料',a.material_al lname), 1,0)ASscore

FROMwj_tbl_gal lerya

WHERE a.STATUS=0

AND(a.material_al lnameLIKE'%雪碧%'

ORa.material_al lnameLIKE'%大%'

ORa.material_al lnameLIKE'%饮料%')

)b

ORDERBYscore DESC,materialname

LIMIT0,8

执行结果

可以看出gal lery_id是第一条它的rate的是75满分是100匹配度蛮高的。

说一下匹配度算法原则如果完全匹配就是1百分肯定就上了。然后去除某些关键字后也匹配上了就是90分。最后采用分词算法按照1百分打分其中如果高于50分可以算基本匹配 自动配置图片的时候就可以当成匹配成功。总体原则就是匹配词汇越多分数越多。但是两个字的词汇和5个字的词汇分数是不一样的。还有词性专属词汇理论上应该比形容词分数高。详见下面的calculateWeight代码 自己体会了。publ ic List<Map<String,Object>>queryList(String searchstr, int pagenumber, int pagesize,Stringmaterialsortname,

List<Term>segmentList) {

String name="%"+searchstr+"%";

//先简单搜索完全匹配100分

List<Map<String,Object>>l ist=queryList(name,pagenumber,pagesize, 100);if(CommonUti ls. isEmpty( l ist)) {searchstr=searchstr.replaceAl l("\\s", "");

String regEx="(特价) | (/) | (\\() | (\\)) | ( ) | ( ) | (\\d+ml) | (买.送.) | (/) | (\\*)";searchstr=searchstr.replaceAl l(regEx, "");if(CommonUti ls. isNotEmpty(searchstr)) {name="%"+searchstr+"%";

//简单过滤90分l ist=queryList(name,pagenumber,pagesize,90);

}

//剩下分词靠计算if(CommonUti ls. isEmpty( l ist)) {if(CommonUti ls. isNotEmpty(segmentList)) {l ist = queryListTerm(pagenumber, pagesize, segmentList,materialsortname);

}

//如果只有分类先定10分else if (CommonUti ls. isNotEmpty(materialsortname) )

恒创科技SonderCloud,美国VPS综合性能测评报告,美国洛杉矶机房,CN2+BGP优质线路,2核4G内存10Mbps带宽,适用于稳定建站业务需求

最近主机参考拿到了一台恒创科技的美国VPS云服务器测试机器,那具体恒创科技美国云服务器性能到底怎么样呢?主机参考进行了一番VPS测评,大家可以参考一下,总体来说还是非常不错的,是值得购买的。非常适用于稳定建站业务需求。恒创科技服务器怎么样?恒创科技服务器好不好?henghost怎么样?henghost值不值得购买?SonderCloud服务器好不好?恒创科技henghost值不值得购买?恒创科技是...

简单测评melbicom俄罗斯莫斯科数据中心的VPS,三网CN2回国,电信双程cn2

melbicom从2015年就开始运作了,在国内也是有一定的粉丝群,站长最早是从2017年开始介绍melbicom。上一次测评melbicom是在2018年,由于期间有不少人持续关注这个品牌,而且站长貌似也听说过路由什么的有变动的迹象。为此,今天重新对莫斯科数据中心的VPS进行一次简单测评,数据仅供参考。官方网站: https://melbicom.net比特币、信用卡、PayPal、支付宝、银联...

HostNamaste$24 /年,美国独立日VPS优惠/1核1G/30GB/1Gbps不限流量/可选达拉斯和纽约机房/免费Windows系统/

HostNamaste是一家成立于2016年3月的印度IDC商家,目前有美国洛杉矶、达拉斯、杰克逊维尔、法国鲁贝、俄罗斯莫斯科、印度孟买、加拿大魁北克机房。其中洛杉矶是Quadranet也就是我们常说的QN机房(也有CC机房,可发工单让客服改机房);达拉斯是ColoCrossing也就是我们常说的CC机房;杰克逊维尔和法国鲁贝是OVH的高防机房。采用主流的OpenVZ和KVM架构,支持ipv6,免...

分词工具为你推荐
固态硬盘是什么固态硬盘是什么?和原先的有什么差别?有必要买吗?杨紫别祝我生日快乐一个人过生日的伤感说说有什么西部妈妈网九芽妈妈网加盟费多少mathplayer西南交大网页上的 Mathplayer 安装了为什么还是用不了?甲骨文不满赔偿工作不满半年被辞退,请问赔偿金是怎么算的?同ip域名什么是同主机域名www.haole012.comhttp://fj.qq.com/news/wm/wm012.htm 这个链接的视频的 第3分20秒开始的 背景音乐 是什么?郭泊雄郭佰雄最后一次出现是什么时候?se95se.comwww.sea8.com这个网站是用什么做的 需要多少钱www.mywife.ccMywife-No 00357 MANAMI SAITO种子下载地址有么?求好心人给
台湾主机 香港ufo 香港主机 evssl 华为云主机 tightvnc php免费空间 发包服务器 200g硬盘 hkg 亚马逊香港官网 上海联通宽带测速 免费私人服务器 空间登入 中国linux 阵亡将士纪念日 中国电信宽带测速 学生机 cdn加速技术 studentmain 更多