中文伪原创工具需要考虑的问题

　　我开始思考，目前已有的中文伪原创工具，效果差在哪些地方呢？我想到以下几个：

　　一、分词问题。

　　中文和英文不同，无论是搜索引擎的蜘蛛，还是其他自然语言处理的语料分析，都是需要分词的。如果不先进行分词的预处理就开始“伪原创”，肯定是不靠谱。举个例子：“天真”和“纯洁”是近义词。在不分词的情况下，“我有一个天真的表妹”仍然可以伪原创为“我有个纯洁的妹妹”，但“今天真热”处理为“今纯洁热”就是严重不靠谱。

　　二、顺序执行引发的单一化。

　　无论是网上流行的中文伪原创词库，还是现成的中文伪原创工具，我都试过了，他们的词库格式如下：

　　普通的算法是按照顺序依次替换，那么，如图所示，“凡间”的同义词原本有“尘寰”“尘间”“尘世”三个，但它永远不会被替换成后两个词。

　　最最理想的状态是能够根据语境，替换为合适的词。例如“天真”的同义词有“无邪 ”“纯真 ”“纯洁 ”“纯朴”等等，并非每个词在所有语境下都能够完全替换。当然，结合语境是高级自然语言处理的范畴，简单得伪原创能达到次理想状态就算OK：遇到多个同义词的情况，随机替换其中的一个。

　　三、词库打架的问题

　　我下载了网上流传的大部分词库，收费的、免费的，都尝试了。发现没有人去解决词库打架问题。

　　什么叫做“词库打架问题”？很简单，看这两组词。

　　顺序执行替换后，会发现文字兜了一个圈回到了原点……这显然不是我们想要的，但，这个问题在现有的词库、伪原创工具中，非常非常普遍。

　　四、可读性太差

　　为什么会可读性太差？因为现有的中文伪原创工具，都是通篇全部替换。如果词库里有10万组同义词，程序会遍历一次，把原文中所有能够替换的字符串“榨干”。这样一来虽然伪原创成功了，但可读性无限趋近于零。让我们看这样一组例子：

伪原创后：

　　如果读者直接阅读伪原创后的文字，能够理解吗？

　　怎样解决这个问题呢，我想，可以设置一个百分比，或叫做伪原创等级。例如“轻微    柔和    适中    猛烈    变态    面目全非    魂飞魄散”七个等级。用户选择“轻柔”时，只替换100个可替换同义词中的随机10个， 选择“适中”中，替换100个可替换同义词中的随机50个，以此类推。这样就可以让用户自己在“可读性”“原创度”之前自由权衡。

我心中的完美中文伪原创工具

核心程序实现

　　考虑以上提到的很多方面的问题，程序还是比较长，接近一万行。下面我只列几段核心的代码供大家参考、讨论。

　　一、分词。

　　分词其实很容易，因为有很懂开源组件可以使用。我最喜欢的是SCWS。官网地址是http://www.ftphp.com/scws/

　　SCWS本来是PHP中文分词解决方案，但它提供了API，我们C#程序猿也可以毫无压力的调用。

View Code

　　二、解决词库打架问题。

　　这没什么好说的。程序也只有一句话。

　　三、根据百分比，随机取x条记录。

　　取随机记录，最方便的是Mysql数据库，内置的rand()函数可以在select中使用。如果使用SQL Server稍微麻烦些，效率也会低一些。

　　参考http://www.rndblog.com/how-to-select-random-rows-in-mysql/

　　四、替换同义词主函数。

      请看代码里的注释。

  public  string ReplaceArticle( string old,  int strength,  bool markRed,  ref  int replacedcount)
    {

         string newArticle = old ;
         int wordsAmount =  180482; // 词库总量

         int kwcount = Convert.ToInt32(strength *  1.0 /  100 * wordsAmount);   // 根据传入的百分比，计算需要取多少个词
         var dataset = SQLHelper.ExecuteDataset(SQLHelper.connectionString, System.Data.CommandType.Text,  " select * from words order by rand() limit  " + kwcount); // 随机取kwcount组词

         foreach (DataRow r  in dataset.Tables[ 0].Rows)
        {
             // 随机。对于词典中A->B的词组。随机决定本次替换是Replace(A,B)还是Replace(B,A)
             int i =  new Random().Next( 0,  1);
            newArticle = newArticle.Replace(r[i].ToString()
                  ,  string.Format( " <b>{0}</b> ", r[ 1 - i].ToString()));
        }

         // 数被替换的词。
        replacedcount = newArticle.Split( new  string[] {  " </b> " }, StringSplitOptions.None).Length -  1;
         if (!markRed)
        {
             // 如果用户不要求标记，则去掉<b>标记。
            newArticle = newArticle.Replace( " <b> ",  string.Empty).Replace( " </b> ",  string.Empty);
        }

         return newArticle;
    }

最终程序界面

最后

　　如前文所说，中文伪原创几乎是一片空白。希望本文能够启到抛砖引玉的作用，更希望有兴趣的同学能够与我一起继续不断的完善、改进它。

本文转自 流牛木马 博客园博客，原文链接：http://www.cnblogs.com/azure/archive/2012/08/29/bolewei.html，如需转载请自行联系原作者