我想用PHP做一个聊天机器人，我调用别人的API实现了中文分词，我要怎样构建自己的数据库呢？

可以用SimSimi API：http://developer.simsimi.com/（不需要数据库）。

根据提示进行注册（注册地址：http://developer.simsimi.com/signUp）。

登录后访问：http://developer.simsimi.com/apps，

点击[Get a 7 days Trial Key]，你就会获得一个Trial Key（有效期为7天），然后直接

$key  = '' // 你的 Trial Key

$lang = '' // 语言

$msg  = '' // 用户说的话

$res  = file_get_contents('http://sandbox.api.simsimi.com/request.p?key='.$key.'&lc='.$lang.'&ft=1.0&text='.$msg)

或者你要购买一个Paid Key，也可以。

在http://developer.simsimi.com/apps中，点击[Get Paid Key]，就可以购买。

只是代码要改为（响应地址不同）：

$key  = '' // 你的 Paid Key

$lang = '' // 语言

$msg  = '' // 用户说的话

$res  = file_get_contents('http://api.simsimi.com/request.p??key='.$key.'&lc='.$lang.'&ft=1.0&text='.$msg)

就可以了。注意php.ini中，allow_url_fopen要为On：

allow_url_fopen = On

然后会返回一个JSON字符串，与下面类似：

{

"result": 100,

"response": "SimSimi的回答",

"id": 本次会话的标识符（int）,

"msg": "响应描述"

}

相应描述与result的值相关。

100：OK.           // 成功

400：Bad Request.  // 参数错误

401：Unauthorized. // Key 不存在

404：Not found.    // 页面不存在

500：Server Error. // 服务器出错

参见：SimSimi API：http://developer.simsimi.com/api

谢谢！

1、快速从NLPIR-ICTCLAS2014的下载包中获得我们需要的东西

首先来看一下整个文件夹的结构

Data文件夹中，含有分词需要用到的字典，Configure.xml里面有相关的描述信息；doc里面是使用帮助(介绍了基本需要使用到的函数接口)；include、lib自然是我们主要用到的；sample是示例代码；test里面有一个exe示例；授权自然是License，应该是通过某种形式来限制我们的使用的，目前暂时还不清楚，如果到时候被限制，还需要进行调试。

2、从下载包中抽出我们需要的，并新建一个例子

从上面来看，我们需要用到的主要有三个文件夹Data、include、lib(我是打算做的32位程序，所以只需要用里面的

lib\win32下的dll和lib)

这时，工程目录就变成这样的(当然NLPIR.dll需要和exe放在一块)：

第一个例子，比较简单，就简单使用几个常用的函数：

[cpp] view plaincopyprint?

// test_nlpir.cpp : 定义控制台应用程序的入口点。

//

#include "stdafx.h"

#include "iostream"

#include "string"

using namespace std

#include "NLPIR.h"

#pragma comment(lib, "NLPIR.lib")

int _tmain(int argc, _TCHAR* argv[])

{

if(!NLPIR_Init())

{

printf("Init fails\n")

return -1

}

const char *participle_result

const char *sentence = "[整租出租]宣武门西大街4号楼二居整租[整套出租]媒体村天居园大两居[整套出租]媒体村天居园大两居"

cout <<"===============NLPIR_ParagraphProcess==================" <<endl

participle_result = NLPIR_ParagraphProcess(sentence,1)

cout <<participle_result <<endl

cout <<"=================================" <<endl

cout <<"==============NLPIR_GetFileNewWords===================" <<endl

const char * get_file_new_words = NLPIR_GetFileNewWords("test.txt")

cout <<get_file_new_words <<endl

cout <<"=================================" <<endl

cout <<"===============NLPIR_GetKeyWords==================" <<endl

const char * get_key_words = NLPIR_GetKeyWords(sentence)

cout << get_key_words <<endl

cout <<"=================================" <<endl

cout <<"===============NLPIR_GetFileKeyWords==================" <<endl

const char * get_file_key_words = NLPIR_GetFileKeyWords("test.txt")

cout <<get_file_key_words <<endl

cout <<"=================================" <<endl

cout <<"===============NLPIR_GetNewWords==================" <<endl

const char * get_new_words = NLPIR_GetNewWords(sentence)

cout <<get_new_words <<endl

cout <<"=================================" <<endl

NLPIR_Exit()

return 0

}

函数可以按照字面上的意思来理解

这是输出的结果：

但明显是看到，上面的分词有些小问题，如果我们在给聚类算法喂数据的时候，这样的分词，会出现一定的问题

3、解决上面的问题

我们有两种方法来处理这个问题

a、这也许是最简单、也最方便的方法

当然，他除了一些繁琐之外(如果你有了一些需要的数据词条、词典就我所谓了)，我们可以新建一个词典文件(比如我这个测试用例中使用user_dic.txt，他里面包含我们需要具体分开的词组)：

那么来看下面是如何具体使用字典的：

[cpp] view plaincopyprint?

// test_nlpir.cpp : 定义控制台应用程序的入口点。

//

#include "stdafx.h"

#include "iostream"

#include "string"

using namespace std

#include "NLPIR.h"

#pragma comment(lib, "NLPIR.lib")

int _tmain(int argc, _TCHAR* argv[])

{

if(!NLPIR_Init())

{

printf("Init fails\n")

return -1

}

const char *participle_result

unsigned int add_dic_items = NLPIR_ImportUserDict("user_dic.txt")//Import user dictionary

printf("%d user-defined lexical entries added!\n", add_dic_items)

const char *sentence = "[整租出租]宣武门西大街4号楼二居整租[整套出租]媒体村天居园大两居[整套出租]媒体村天居园大两居"

cout <<"===============NLPIR_ParagraphProcess==================" <<endl

participle_result = NLPIR_ParagraphProcess(sentence,1)

cout <<participle_result <<endl

cout <<"=================================" <<endl

cout <<"==============NLPIR_GetFileNewWords===================" <<endl

const char * get_file_new_words = NLPIR_GetFileNewWords("test.txt")

cout <<get_file_new_words <<endl

cout <<"=================================" <<endl

cout <<"===============NLPIR_GetKeyWords==================" <<endl

const char * get_key_words = NLPIR_GetKeyWords(sentence)

cout << get_key_words <<endl

cout <<"=================================" <<endl

cout <<"===============NLPIR_GetFileKeyWords==================" <<endl

const char * get_file_key_words = NLPIR_GetFileKeyWords("test.txt")

cout <<get_file_key_words <<endl

cout <<"=================================" <<endl

cout <<"===============NLPIR_GetNewWords==================" <<endl

const char * get_new_words = NLPIR_GetNewWords(sentence)

cout <<get_new_words <<endl

cout <<"=================================" <<endl

NLPIR_Exit()

return 0

}

这是使用字典之后的分词结果：

可以看到，我们想要切分的词组都已经出来了，也不再有任何新词出现了

b、通过多个样本(也就是多条数据)来进行分词，这样我们需要用到的词的频率便会增长(有的词只出现1、2次并不会被识别出来)，这样在GetNewWords中，便能够得到一些我们想法的数据，得到这些数据之后，可以写到文本中，然后再写到用户字典中

这里只演示第一步，看看是如何通过增加多条数据来扩大GetNewWords的结果的。

其实很简单，只需要把第一个例子中的测试字符串修改成如下(同样的test.txt对应的字符串也跟着修改)：

[plain] view plaincopyprint?

const char *sentence = "[整租出租]宣武门西大街4号楼二居整租\

[整套出租]媒体村天居园大两居\

【房主出租】万柳中路康桥水郡一居室\

【个人出租】 上地桥东清上园小区开间58平\

3个月转租 【中关村保福寺桥南】 两居中的主卧\

【整套长期出租】海淀安宁佳园安宁庄一居整租（房东直租）\

[单间出租]造甲街南里20号院二居大间\

[个人诚心出租]世纪金源附近，远大园四区11号楼三居次卧\

【房主1居直租】6号线地铁十里堡站炫特嘉园1居（限1人女）\

[单间出租]10号线西土城牡丹园北影黄亭子小区二居之一\

[整套出租]西二旗智学苑三居整套\

[房主整套出租]清河地铁8号线西小口站精装三居整套\

[单间出租]清华校内单间 \

[北京大学西南门海淀桥南大河庄苑精装修一居室整套出租出租]苏\

[求助]求租上地东里/西里/佳园/农大南路2号院 干净舒适带电梯两\

[求助]转租 西单/金融街/二龙路两居室\

[整套出租]财经大学附近皂君庙一居整套\

北沙滩科学院南里50米一居简装3400元转租，需要的站内索取转租\

招合租 中关村知春里海淀黄庄地铁站 人大附中对面 正规三居\

【个人出租】回龙观地铁附近两居中的主卧和次卧，也可以整租\

个人出租\

[整套出租]朝阳区南沙滩小区一居整套\

（个人转租）新龙城二期14平米正规次卧 1000元\

个人出租：温泉镇尚峰尚水小区精装半地下二居\

【昌平沙河高教园一区小两居】【2450家电全齐全新】\

个人求租,石景山八角附近二居室\

个人出租保利西山林语90平二居室\

2014-7-30存量房网上签约\

明天决定先涨10%的房租，为房产税做准备，得未雨绸缪啊\

今晚新闻调查，心全凉了：转基因米实际已经扩散(12)\

全款求购万年花城两居室(19)\

问一个初级问题：校友卡大家都什么额度？我5k(15)\

再问一个小白问题(8)\

网友评怕老婆城市排行榜：成都第二上海居首(14)\

清华大学东 八家嘉苑 61平米 全南向正规一居 看图 240万(1)\

110平米新房求靠谱装修团队、设计、报价\

五道口学区房 满五年唯一两居 急售260万\

父母随迁落户 能否申请政策房\

房子南面离马路60米，西面紧挨着小学和中学，19层，会吵吗\

学区房在涨吗\

好几个中介打电话说房价要开始上涨了\

【整套出租】6号线黄渠站苹果派小区77平2居\

个人出租]海淀区五道口华联南暂安处 朝北主卧合租 无中介费近地\

【房屋整租】芍药居北里2居室房主首次出租\

[出租] 中关村北大西门单间\

[求助]求租 上地 当代城市家园或怡美家园两居或者三居 一家人住\

[整套出租]五道口东升园一室一厅南北通透全明实木家具地板家电"

这些数据，也是通过web页面得到的

现在来看看结果

一些常见的词汇也能通过GetNewWords反应出来了

全文索引的核心理念是倒排索引（即反向索引），而最大的技术难点就在于分词。 英文的分词很简单，直接按空格分词即可。但中文不能这么干，主要原因有两点： 中文词与词之间没有空格 中文分词结果存在歧义。例如：周立波／小人／傻逼 和 周立／波小／人傻逼，两种分词都说得通，只有结合上下文才知道哪一种对 因此，中文分词比英文分词要困难得多，学术界在这一领域已经研究了多年，并取得了很多研究成果，但目前，中文分词的技术仍然很不完善。 回到全文搜索的话题，sql server自带的中文分词应该是基于正向最大匹配法的，说实话效果并不好。要求不高的话可以凑活用。除此之外，也有一些开源或商业的项目，例如Lucene（及其后续衍生），盘古等等，比sql server自带的要强...全文

---