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：
在项目中我定义了全文检索引擎类：
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。
原文链接：http://www.cnblogs.com/yantao7589/archive/2011/08/16/2140399.html
