近段时间，腾讯和阿里在技术公开这件事情上隐隐有较劲的趋势，这边公开一个Tinker热补丁技术，那边就公开一个双11背后的技术，似乎都在通过秀技术来争夺开发者的眼球，当然，这也是广大开发者非常乐意看到的。下面这篇关于阿里舆情热词分析的文章，稍作删减，难度很合适，值得一读。

背景

阿里云公众趋势分析产品通过云服务的方式，将阿里巴巴成熟的舆情分析技术共享给广大开发者。热词分析是公众趋势分析最近刚刚上线的功能，这个功能听起来很简单，不就是对数据源进行分词，然后再统计一下热度么？No！它可没那么简单。

分词和实体识别

良好的分词是热词分析的基础。对于绝大部分分词工具来说，最大的挑战在于识别从未见过的网络热门词、各种奇葩的品牌、产品词等。举个例子，“安利的空气净化器跟霍尼韦尔还有米家比怎么样”这个句子，我们随意在网上找到了某款开源的分词工具，分词的结果如下：

安利/的/空气/净化器/跟/霍尼/韦尔/还有/米/家/比/怎么样

分词工具能识别一般的词语，但是对于品牌词、产品词等专有的实体词，在没有知识库的辅助下很难识别。而阿里在互联网尤其是电商领域耕耘多年，积累了丰富的词库，并始终在不断更新，譬如上述句子，我们可以将其断成如下形式：

安利：brd/的/空气净化器:prd/跟/霍尼韦尔:brd/还有/米家:brd/比/怎么样

不仅能正确地分词，而且还能识别出其中的实体，如霍尼韦尔和米家是品牌词（brd）,空气净化器是产品词（prd）。目前，公众趋势分析背后有百万级的人名、品牌、地址、组织机构名、商品、品牌词库等做支撑。

关键词提取

海量的文章带来了巨大数量的词，对于每篇文章，真正需要被关注的只是少数关键词，那么如何在一篇长文本中挑出关键词呢？热词分析使用TextRank算法为文本生成关键词。

TextRank的算法思想来源于PageRank，旨在通过文本中句子、词之间的相互投票，为句子、词进行权重的排序。PageRank假设一个网页的入链越多，则其权重越高。随机地为每个网页分配一个初始权重，在每一轮投票中，每个网页将其权重均匀地分配给其出链，收敛后（平稳马尔科夫过程）每个网页得到的权重值反映了其重要性。

PageRank通过页面之间的链接关系建立投票机制，TextRank以此为启发，通过词之间的邻近关系建立词权重投票机制，即假如两个词出现在同一个窗口中，则它们之间产生一次权重投票，这样可以通过PageRank的求解方法，计算每个词在文本中的权重。得到权重的排序之后，就可以挑选topN词作为关键词了。

词关联计算

对于每个热词，我们提供了与其强关联的词，那么，这些关联关系如何计算呢？

词关联使用点互信息PMI（pointwise mutual information）来表示，用信息论的语言来表述，点互信息衡量的是“给定一个随机变量后，另一个随机变量不确定性的减少程度”。假设有两个词x和y，则x和y之间的点互信息由下述公式表示：

其中p(x,y)表示x和y同时出现的概率，p(x)和p(y)分别表示x和y单独出现的概率。简单粗暴地理解，就是说相对于单独出现，某两个词更喜欢一起出现，则它们之间的关联程度越高。

热度计算

好了，现在我们已经能得到每篇文章的关键词，而且也能计算跟这些关键词有关联关系的词了，那么词的热度如何衡量呢？词的热度计算不能仅仅统计这个词在所有文章中的出现次数，因为每篇文章的热门程度不一样，汪峰上了头条时的报道，对于热度的计算不能跟一般的小道消息同日而语。热词分析在计算热度时，会用文章的热度对词进行加权，而文章的热度会综合考虑以下因素：

• 文章的转发量
• 浏览量
• 评论量
• 文章发布的时间，如果发布时间越长，则热度衰减地越高

这里作者只是对热词分析提供了一些分析思路，真正实践起来还是需要算法的支持和反复调整各种影响因子。

最后，感谢原作者。

#专栏作家#

给产品经理讲技术，微信公众号（pm_teacher），人人都是产品经理专栏作家。资深程序猿，专注客户端开发若干年，对前端、后台技术略懂，热衷于对新的科技领域的探索。

本文原创发布于人人都是产品经理。未经许可，禁止转载。