网站发布器软件开发进度

最近忙于考研和开发软件，写文章、看文章的时间越来越少；自己研制的网站发布器做好了第一阶段的工作：从百度风云榜关键词订阅中获取相关网页内容，已经完成；下一步是开发网络爬虫的功能；

我的想法是从百度风云榜中获取关键词，解析后保存到硬盘中，再通过爬虫爬取网页内容，接着通过分词、分类、聚类、信息自动加工，生成原创文章；透过wordpress的xml-rpc协议远程发布到博客。

其实，不难看出如何生成原创文章，这点是最难的，目前的想法是，使用一个通用的web文本抽取工具（这个工具在我早期的研究中已经开发完毕，效果不必市面上已知的文本抽取工具差哦^_^，自豪一下）来获取正文，接着再使用“摘要”＋“复述”的方法来生成原创；生成“摘要”不难，“复述”则很复杂；需要应用到的知识有“语义”、“语法”、“句法”，通过提炼句法模板，找到相同的语义的句子，最后匹配、替换。

例如：“事发后，伤员被及时送往就近医院救治”和“晚上7时左右，所有伤员被送到了医院”句子意思差不多，不过，结构却不一样，通过语义分析，排除岐义，分析出词组搭配，判断相似程度，最终决定两句意思是否相同。