背景
什么是标签？标签是通过对帖子内容分析得到的高度精炼的特征词或短语，将帖子内容标签化可以突出帖子特性，实现帖子内容结构化，帮助用户更快定位到所需要的服务，提升用户体验。
在整个标签挖掘过程中，我们首先对中文分词进行了选型，对比了多种分词工具的分词效果，综合多方考虑，最终选择使用HanLP作为分词工具包应用到标签挖掘工作中。在标签挖掘实践中，我们迭代了相似词、组合词、热搜词等方案，不断丰富标签系统。最后也是目前我们的主要工作是对标签的优化，提升标签质量。
中文分词
中文分词是将汉字序列切分成一个个单独的词。在英文中，单词之间是用空格分割的，但是中文没有明显的分割符，因此我们就要对一句话进行分词，比如“北京小红帽搬家”分词序列为：“北京”、“小红帽”、“搬家”。
目前已有数十种开源分词工具，我们选择了其中的四种：HanLP、IK、Ansj和jieba进行了对比。评价一款工具的好坏，需要一个黄金标准，在此我们选择了最具权威性的分词结果——SIGHAN和人民日报2014年的分词数据源。首先对数据源进行预处理，一是去除数据集中的符号（标点符号、特殊字符等），二是不拆分标准数据集中的专有名词。评测指标有准确率（Precision）、召回率（Recall）、F值（F-measure）和错误率（ErrorRate）。具体对比结果如下表所示。
4种分词工具分词效果对比表1
数据源：SIGHAN，数据量498KB
4种分词工具包分词效果对比表2
数据源：人民日报2014数据，数据量10.7M
使用两份不同的分词数据源得到上述两张分词效果对比表，由表1可以看到Ansj的分词效果最好，HanLP与jieba的分词效果相当，IK分词效果最差。由表2可以得出HanLP的分词结果最好。因此我们选择使用HanLP作为我们标签挖掘的基础分词工具，还可以根据业务调整其开源代码，可更好的适配业务场景。由于时间有限，其他分词工具对比可参考文献1。
标签挖掘演进
确定了分词工具，我们开始进行标签挖掘，数据源统一是黄页帖子IMC日志数据，因为黄页二级类目较多，类目间关联性较低，因此分类目训练模型，并实现自动化迭代。
标签挖掘及审核流程图
1. 找相似挖掘
找相似挖掘的思路来源于前期产品同学给出了重点类目的一批标签，基于此，我们尝试使用与已有标签相近的词挖掘新标签。首先从HDFS中读取前N天的日志，分品类对数据进行清洗，根据帖子图片个数、帖子内容长短对帖子实现初步过滤；然后使用HanLP进行分词，根据词性过滤人称代词、形容词、数词等，通过TF-IDF抽取帖子关键词，训练词向量模型，最后计算与种子词相似的词作为新的备选词。
相似标签挖掘流程图
这种挖掘方式依赖种子词，需人工挑选标签作为种子词，目前已扩29个类目，备选词挖掘效果较好，70%的备选词可直接作为标签。
2. 组合词挖掘
组合词是指分词工具分出的最小单元词组合而成的新词。判定一个组合词是否成词，我们使用了基于统计规则的方式，计算组合词的凝固度、自由度和词频。比如“ABC”是个新词，则ABC一起出现的频率应远大于词各自出现的频率，这就是凝固度，计算公式为：
自由度可以理解为组合词可以成词（即作为一个整体），它的信息熵的计算，信息熵越大成词率越高。词频不必多说，就是组合词出现的次数，详情可参考文献2。
该种挖掘方式适用于发现未登录词，根据领域语料可以发现具有特色的领域词，比如搬家品类发现“厢货车”等新词，新词效果也取得较好结果[1] ，其中经审核有90%的备选词可直接作为标签入库，提高了人工审核效率。
3. 主题词挖掘
同找相似词一样对帖子数据进行预处理，训练LDA模型，抽取各个类目的主题词作为备选词，但效果欠佳，不推荐使用。
这个方式可以发现帖子主题词，但设置的主题个数对挖掘效果影响较大。
4. 热搜词挖掘
基于用户搜索词日志抽取TopN展示pv的搜索词作为热搜词，去除停用词并做同义词归一化处理，将热搜词作为备选词。
5. 图片标签挖掘
抽取展示TopN的帖子数据，调用第三方图片识别的接口获取图片标签，将符合规则的标签作为备选词。
综上，找相似挖掘的方式应用于有优质标签的类目；组合词挖掘与主题词挖掘用于没有标签的类目。但是备选词若要入库作为标签需要经过覆盖率，网站爬虫等审核方式。
标签优化
通过以上方式我们得到了足够的标签，但是入库的标签还是存在多种问题，比如：多标签同义，负面词标签等，因此对标签数据进行修复亟待解决。
标签优化流程图
1. 同义词挖掘
本文的同义词挖掘主要综合多种方式发现同义词，具体如下：
a) 同义词林
数据来源包括哈工大扩展版词林和词林包，词林中包括同义词和近义词。
b) 字面相似规则
翻转规则：基于业务分析，大部分标签属于组合标签，组合标签是有两个或多个基础词组合成的标签，存在基础词相同但顺序不同的同义标签，基于此我们提出根据翻转规则发现同义词。例如：“空调维修”和“维修空调”表达的是同一个意思，可以归为一个标签。
编辑距离：根据标签与标签之间的编辑距离发现同义词，使用莱温斯坦距离或jaro距离。将编辑距离符合一定阈值的多个标签归一化。
c) 第三方同义词服务
http://www.cilin.org/jyc/，该服务同义词较少，同时受网络限制，得到的同义词较少。
d) 词相似度计算
根据已有词向量，计算标签之间的相似度，当相似度达某个阈值时，就认为两个标签是同义词；针对未登录词的词向量，借鉴了fasttext 针对OOV问题的处理方式，使用ngrams词取平均。
通过以上几种方式综合，可以找到多对同义词，但是同义词与近义词的关系界限模糊，大部分标签无法界定是同义词还是近义词，在挖掘过程中近义词项较多，造成人工审核成本过高，因此我们加入强规则以降低审核成本。
2. 负面词挖掘
根据否定词，比如（“不”、“杜绝”等等）、词性模板和词频发现负面词，但错误率较高，建议审核后入库。
除了以上两种方式对标签进行优化之外，我们还依据线上用户对标签的反馈行为数据，计算标签的权重，每天更新标签的动态分值。
总结
本文主要介绍了标签挖掘过程中的实践方法，包含基于模型的挖掘和基于统计规则的挖掘方式，及其适用的场景。在标签优化实践中提出同义词挖掘和负面词挖掘的方案。
目前黄页有212个二级类目，标签已覆盖了210个二级类目，共9W+标签，支持了前期工程上的使用，但仍存在很多不合适的标签，如何挑出好标签，去除坏标签，我们一直在探索。
参考文献
1. 11款开放中文分词引擎评测（https://www.cnblogs.com/croso/p/5349517.html）
2. 基于SNS的文本数据挖掘（http://www.matrix67.com/blog/archives/5044）
閱讀更多 58技術 的文章
