Java快速字符串匹配（以文本到一個類別相關聯）

Question

假設我有一個杆，它是像

• 標題：「WEB：SEO在2011年」
• 描述：「一個會議談論SEO中的2011" 網絡

另外，我有相關的類別的關鍵字列表：

• 「IT」（貓） - >「網絡代徵」， 「搜索引擎優化」， 「發展」， 「網絡開發」（關鍵字）

我有多個類別（IT，藝術，體檢，文學，機械等）

我需要使用java自動升級我的帖子與這些類別和關鍵字（一種標籤），以改善未來的搜索。

上面的例子應該匹配「seo」和「web」，這樣main_category字段應該填充「IT」，並且subfield_category應該填充「seo」或「web」（或者兩者兼而有之，也不錯）

我的問題是，我能想出的唯一解決方案是waaaaay進入bruteforcing（測試所有的單詞，當一個匹配你有類別和與它關聯的關鍵字列表）它會減慢我的表演...

有沒有什麼辦法可以用更好的方式進行搜索？我也可以修改我的類別 - >關鍵字結構來做更好的事情（我仍然不知道如何...）

謝謝所有提前！

編輯：準確性不是那麼重要，因爲阿米特在評論中問道。我不需要100％的標記準確性，因爲我知道基於字符串的原始匹配我可以有一個正確的數量的正確性。

另外，我是thinkinking有關的邏輯是：看文章的標題/描述，搜索的關鍵字匹配，與類別，尋找更多的關鍵字這一類的標籤，節省3至5匹配關鍵字

Answer 1

你可能想嘗試一種不同的方法，使用Machine Learning。

算法描述：
首先，創建一個學習樣本[你肯定知道他們應該如何標記的文檔，你可以手動標記的樣品，並把它作爲輸入算法中。然後，爲這些樣品創建Bag Of Words，使用k字袋[您將需要通過基準質量來確定哪個k是最佳的，稍後我會解釋。

每個單詞都是一個'功能'，接下來，對於每個新文檔，您將嘗試從學習樣本中找到哪個文檔是[nearest neighbor]。在你的Bag of Words中有大多數'詞語'，這個新文檔將被標記爲最近的鄰居。

如何基準質量？
您可以通過從學習樣本中提取10％的文檔來檢查質量，並僅在剩餘的90％中學習。完成學習後，您可以通過檢查剩餘10％的準確性來評估算法的準確性。請注意，如上所述，您可能需要執行幾次操作才能找到最佳k [Bag Of Words size]。