词云生成说明
概述
WeLink 的词云基于 go-ego/gse 中文分词库对聊天记录做词频统计，返回 Top 120 词交给前端 WordCloud2.js 渲染。
后端：分词与过滤
入口
GET /api/contacts/wordcloud?username=xxx&include_mine=false处理流程
1. 查询该联系人所有 local_type=1 的文本消息
└── include_mine=false → 只查对方发的（real_sender_id = 对方 rowid）
2. 解码消息内容（支持 zstd 压缩）
3. 去除微信表情符号，如 [捂脸] [偷笑]
4. 收集所有文本，统一交给 gse.Cut(text, true) 分词
└── 分词使用锁保护（gse 非线程安全）
5. 过滤规则（逐词）：
- UTF-8 非法 → 丢弃
- 字符数 < 2 或 > 8 → 丢弃（过滤单字和长句残片）
- 纯数字 → 丢弃
- 在停用词表中 → 丢弃
- 包含 emoji / 特殊符号 → 丢弃
- 不含任何汉字或字母 → 丢弃
6. 最小词频过滤：
minCount = max(2, len(消息总数) / 1000)
词频 < minCount → 丢弃（去除低频噪声词）
7. 按词频降序排序，返回 Top 120停用词表
停用词分为以下几类，共约 150 个：
| 类别 | 示例 |
|---|---|
| 人称代词 | 我 你 他 她 自己 大家 别人 |
| 结构助词 / 语气词 | 的 了 着 过 得 吧 啊 哦 呢 嗯 哈 |
| 口语语气 | 嗯嗯 哦哦 哈哈 哈哈哈 嘻嘻 呵呵 hhh hh ok |
| 副词 / 连词 | 也 都 还 就 才 又 很 太 非常 所以 因为 然后 |
| 时间副词 | 已经 刚刚 突然 终于 马上 立刻 |
| 高频无义动词 | 是 在 有 要 去 来 说 到 看 想 知道 觉得 |
| 口语填充词 | 其实 反正 那个 这个 感觉 只是 对吧 是的 |
| 形容词 / 代词 | 这 那 哪 什么 怎么 这样 那样 这么 那么 |
| 通用量词 | 个 件 种 次 下 遍 些 点 块 条 |
| 方位词 | 上 左 右 前 后 里 外 中 间 |
完整词表见 backend/service/contact_service.go 中的 STOP_WORDS。
前端：字号映射与渲染
字号：对数映射
词云字号使用对数映射，避免线性映射下头部词极大、尾部词极小的失衡问题：
typescript
const logMax = Math.log(maxCount + 1)
const logMin = Math.log(Math.max(minCount, 1))
const logRange = logMax - logMin || 1
// minSize ~ maxSize 根据画布宽度动态缩放
const minSize = Math.round(13 * scale) // scale = canvas.width / 600
const maxSize = Math.round(58 * scale)
size = minSize + ((log(count+1) - logMin) / logRange) * (maxSize - minSize)效果：词频相差 10 倍，字号只相差约 1.5 倍，中间层级的词得到更合理的展示空间。
WordCloud2 渲染参数
| 参数 | 值 | 说明 |
|---|---|---|
rotateRatio | 0 | 中文词全部水平，不旋转 |
shuffle | false | 高频词按顺序摆放，自然占据中心 |
gridSize | 6 × scale | 词间距随画布大小自适应 |
shrinkToFit | true | 放不下时自动缩小 |
drawOutOfBound | false | 不允许词超出边界 |
fontFamily | PingFang SC / Microsoft YaHei | 中文字体优先 |
颜色
词的颜色从以下 5 色中随机选取：
#07c160 微信绿
#10aeff 蓝
#ff9500 橙
#fa5151 红
#576b95 紫蓝与历史版本（v1）的区别
| v1 | v2（当前） | |
|---|---|---|
| 停用词数量 | ~40 个 | ~150 个 |
| 词长限制 | > 1 字符 | 2~8 字符（过滤长句残片） |
| 最小词频 | 无 | max(2, 消息数/1000) |
| 返回词数 | 80 | 120 |
| 字号映射 | 线性 count/max × 72 | 对数映射 |
| 旋转 | 20% 的词旋转 | 全部水平（rotateRatio=0） |
| 摆放顺序 | 随机 shuffle | 按词频顺序（shuffle=false） |
群聊词云
群聊的词云逻辑与联系人词云相同，但数据源是群消息表，且在分词前会额外去除群消息前缀格式（wxid:\n内容）。群聊词云不支持 include_mine 过滤，统计所有成员的消息。
局限性
- GSE 词典：使用默认词典，专有名词、网络用语可能被切分错误（如"打工人"可能被切成"打工"+"人"）
- 同义词合并：未做同义词聚合，"开心"和"开开心心"会分别计数
- 英文处理：英文单词不分词，直接作为整词处理，短于 2 字符的英文单词会被过滤