Java 如何对搜索引擎关键词进行聚类？

从Google Analytics中，我有一个（很长）的关键词列表，人们可以在搜索引擎中找到我的网站。我想找到“核心关键词”，假设示例：

java online training
learning java
scala training
training for java
online training java
learn scala programming

理想的结果是：“java”、“在线培训”、“培训”、“scala”和“学习”

困难似乎在于检测完整的短语，忽略常用词（for）和处理变体（learn-learning）

---

是否有一个库可以做到这一点（最好是针对JVM）？或者有合适的算法可以自己实现吗？

这是一个术语或关键字提取问题。我做了一个搜索，它出现了，这看起来很像你想要的

您可以通过以下算法实现简单的解决方案：

• 生成文档中具有所需短语长度的NGRAM列表（选择任意短语长度限制，如3或4）
• 将ngram放入
• 按次数或计数的顺序迭代多重集的条目，可能使用任意截止

正如你所说，这将有一个问题，停止字。你可以做一些简单的事情，比如有一本停止词词典，或者你可以做一些可以帮助你自动识别非常频繁的词的事情。KEA会帮你做的，最好先调查一下

---

希望有帮助

我认为你需要花更多的时间来说明你的要求。即使在你有限的例子中，我也不知道为什么你不认为“编程”是“核心”。如果你用Google的结果来寻找好的关键词呢？Scala的结果会比for->better word的结果要少。您可以搜索所有可能的短语，并记录每个短语的结果数，然后找到存在好短语的范围。（这只是一个快速的想法，所以我不会把它作为一个答案）