基于内容的推荐引擎有两种实现途径，一种是根据条目的元数据（可以将元数据理解为属性），另一种是根据条目的文本描述信息。本系列中将先描述基于条目描述信息的全文检索实现方式，然后描述基于元数据的内容推荐引擎实现方式。
对于基于条目文本描述信息的内容推荐引擎，目前有很多资料可以参考，基本步聚是先对文本内容进行分词，包括提取出单词、去掉常用词如的地得、加入同意词、对英语还有去掉复数形式和过去分词形式等；第二步是计算各个词在每篇文章中的出现频率，以及在所有文章中的出现频率，即TF/IDF；第三步计算文章向量；最后是利用自动聚类算法，对条目进行聚类，这样就可以实现向用户推荐同类产品的需求了。
但是在这里有一个非常重要的问题没有解决，就是中文分词的问题，这些文章中绝大部分都是以英文为背景的，而英文分词方面，分出单词很简单，只需要空格作为分隔符就可以了，而中文中词与词之间没有空格，其次是英文中单复数、过去分词等比较多，需要还原成单数现在式，但是中文中这个问题基本不存在，再有就是英文需要在分词后识别长的词组，而中文这一步也不需进行。
针对以上这些难题，在我的项目中，采用了MMSeg4j中文分词模块，这个项目集成了据说是搜狗输入法的10万多词库（大家知道中文分词的关键是中文词库）。
另外，我还希望中文分词可以在全文检索引擎和全文内容推荐引擎共用，由于全文检索引擎采用了Apache Lucene 3.x版本，需要中文分词模块符合Lucene的体系架构，幸运的是MMSeg4j提供了Lucene所需的Tokenizer实现类，同时还需要重点解决如下问题：
- 由于打开索引文件比较慢，所以整个程序共享一个indexer和searcher
- 考虑到准实时性需求，采用了Lucene新版本中reopen机制，每次查询前读入索引增量
- 采用Lucene默锁机制
在项目中我定义了全文检索引擎类：
public class FteEngine {
public static void initFteEngine(String _indexPathname) {
indexPathname = _indexPathname; }public static FteEngine getInstance() { // Singleton模式 if (null == engine) {
engine = new FteEngine(); } return engine; }public IndexWriter getIndexWriter() {
return writer; }public IndexSearcher getIndexSearcher() {
try { IndexReader newReader = reader.reopen(); // 读入新增加的增量索引内容，满足实时索引需求 if (!reader.equals(newReader)) { reader.close(); reader = newReader; } searcher = new IndexSearcher(reader); } catch (CorruptIndexException e) { ....} catch (IOException e) {....
} return searcher; }public Analyzer getAnalyzer() {
return analyzer; }public void stop() {
try { if (searcher != null) { searcher.close(); } reader.close(); writer.close(); indexDir.close(); } catch (IOException e) {.... } }private FteEngine() {
analyzer = new MMSegAnalyzer(); // 初始化中文分词模块，会读入中文字典 IndexWriterConfig iwc = new IndexWriterConfig(Version.LUCENE_31, analyzer); iwc.setOpenMode(OpenMode.CREATE_OR_APPEND); try { indexDir = FSDirectory.open(new File(indexPathname)); writer = new IndexWriter(indexDir, iwc); // writer和reader整个程序共用 reader = IndexReader.open(writer, true); } catch (CorruptIndexException e) {...... } catch (LockObtainFailedException e) {...... } catch (IOException e) {..... } } private static FteEngine engine = null; private static String indexPathname = null; private Directory indexDir = null; private IndexWriter writer = null; private IndexSearcher searcher = null; private Analyzer analyzer = null; private IndexReader reader = null; }具体中文分词可以使用如下代码：
FteEngine fteEngine = FteEngine.getInstance();
Analyzer analyzer = fteEngine.getAnalyzer(); String text = "测试2011年如java有意见 分岐其中华人民共合国，oracle咬死猎人的狗！"; TokenStream tokenStrm = analyzer.tokenStream("contents", new StringReader(text)); OffsetAttribute offsetAttr = tokenStrm.getAttribute(OffsetAttribute.class); CharTermAttribute charTermAttr = tokenStrm.getAttribute(CharTermAttribute.class); String term = null; int i = 0; int len = 0; char[] charBuf = null; try { while (tokenStrm.incrementToken()) { charBuf = charTermAttr.buffer(); for (i = (charBuf.length - 1); i >= 0; i--) { if (charBuf[i] > 0) { len = i + 1; break; } } //term = new String(charBuf, offsetAttr.startOffset(), offsetAttr.endOffset()); term = new String(charBuf, 0, offsetAttr.endOffset() - offsetAttr.startOffset()); System.out.println(term); } } catch (IOException e) { // TODO Auto-generated catch block e.printStackTrace(); }打印的内容如下：
测试 2011 年 如 java 有 意见 分 岐 其中 华 人民 共 合 国 oracle 咬 死 猎人 的 狗
当我们在缺省词库中加入单词：分岐 中华人民共合国后，那么分词结果可以变为：
测试 2011 年 如 java 有 意见 分岐 其 中华人民共合国 oracle 咬 死 猎人 的 狗
由此可见，可以通过完善中文词库，得到越来越好的中文分词效果。