根据标签来推荐相关文章的代码，你了解多少？

　　根据标签来推荐相关文章的代码，你了解多少？

　　我也看到很多博客推荐基于标签的相关文章代码。这个方法应该比较好，但是问题是很多博主在标签的选择上很不专业。标签的选择非常不专业。往往是随机的，即使两个文章都收录“百度”标签，也许一个文章谈论百度搜索规则的变化，而另一个谈论百度年收入，两个文章根本不明显的相关性。

　　1.期待谷歌更强大的推荐挂件

　　对此，虽然我们对百度寄予厚望，但其实我更相信谷歌的技术。原理很简单：

　　通过不同用户的不同搜索词输入不同的文章，这些搜索词与其他用户具有相似的含义。

　　有点难理解，我们只能举例说明：有A、B、C三个用户，有a、b、c三篇文章文章。当A搜索“w”点击输入a文章，B搜索“m”点击输入b文章，C搜索“p”输入c文章时，Google找到的意思是三个词组 w、m、p 非常相似，所以判断三个文章 文章 a、b、c 是相关的文章，所以在这三个下返回相关的文章 的列表文章（使用javascript调用）。

　　利用历史记录确定一些文章相关的。很多用户点击进入某个文章后，又进入了另一个文章，说明文章相关度高。

　　如果非要靠谷歌搜索关键词，那就太蠢了。使用谷歌统计代码，从历史浏览记录中进行深度判断。当A输入a文章时，他在下面找到了一个随机推荐列表。如果他发现他需要或感兴趣的文章b，他就会点击进去。这些行为都记录在谷歌的大数据中。从a输入b并被无数人练习后，甚至可以统计b出现在a页面的哪个位置更容易被点击，以及第一次输入时是否不愿意点击b文章时间，谷歌完全有能力通过这种分析，当B和C第一次输入a文章时，b文章的链接会出现在他们应该出现的地方，非常合理。但实际上，如果无数用户从a进入，最后到c这个文章，那为什么不直接把c文章链接放在a页面上呢？这有点大数据。

　　2.统计与聚类：数据库爬虫

　　人工智能希望计算机具有理解能力，但实际上，我们只能更多地通过统计和聚类来判断相关性和可能性。 100人在买尿布的同时也买了啤酒。这不代表什么，但有 1 万亿人这样做了吗？

　　通过设计爬虫程序，从数据库中的文章表中抓取，对文章标题、内容、摘要、关键词、标签等进行分词统计。最原创的解决方案是最长匹配词越多，文章的相关性越强。

　　爬虫要做的就是匹配词组，所以开头应该有字典。但是字典需要手动构建，稍微麻烦一些。解决方法也很简单。用一个典型的文章作为原创案例，让爬虫爬行，反复爬行，通过分词构建原创词典。用这本原创词典爬取其他文章，遇到生词添加到词典中。这个方法可以保证新词只会出现在文章后面会被爬取。在爬取的过程中，一方面可以发现新词加入词典，另一方面可以统计词频，按词组长度降序排列，最长的词能够被找到的。通过文章最长词的比较，确定文章的相关性。

　　但是这种方法必须面临两个问题，一是效率，二是干扰。搜索引擎的核心问题之一是效率，主要体现在两个方面，一个是抓取，一个是检索。对应推荐系统，一方面是如何判断文章的相关性（爬取的效率），另一方面是如何更快地根据爬取的结果返回相关的文章列表（服用效率）。干扰问题是指某些文章的词频不能反映问题的核心主题。例如，一个收录 100 行代码的 文章 可能只有 20-30 行介绍性文字。在这种情况下，很难防止统计。结果与文章的核心主题不一致（文章的其他统计也比较准确）。

　　为了提高效率，您可以鼓励您的读者为您提供字典。比如看完文章，你让他输入他认为可以概括这篇文章的关键词，让爬虫更加确定他是否是某些词应该省略，某些词应该强调。

　　3. 最可行：标签、搜索和浏览历史

　　上面提到的两种方案离我们很远，普通程序员很难在他们的网站中实现。回到现实，我们希望有一个可以在网站中实现的解决方案（即使相关性结果可能会稍微弱一些）。

　　tag 是最合理的解决方案。使用超过 3 个标签标记不同的 文章。因为标签是手工编写的，所以最好有自己的标签列表，防止同一个意思写到不同的标签中，比如“bicycle”和“bicycle”。自行车”。统一标签，让所有相似的意思都归为一个词。下次你打算贴标签的时候，你只会用这个词。3个以上的标签基本上可以反映文章要说的内容。使用程序选择相关文章时，尽量匹配所有标签，如果两个文章标签超过3个，应该是相同的主题内容。我见过只要有标签同一个标签，推荐，我觉得这个方法不好。文章开头已经举过例子了。

　　但是标注的方法毕竟是手工的，思考和整理的过程很累。

　　一个网站比标签更相关，应该是网站上的搜索结果。我的意思是那些具有稍微强大的搜索模块的站点，它们仅使用 LIKE 来匹配数据库。我个人认为搜索结果的参考价值比较低，尤其是只用一个搜索词的时候。不过网站的大部分搜索模块还是比较差的。因此，我的建议是规定用户必须使用两个以上的词进行搜索，以保证搜索结果相对准确。