Skip to content

Latest commit

 

History

History
110 lines (90 loc) · 4.77 KB

使用TextRank和TFIDF进行关键字自动提取.md

File metadata and controls

110 lines (90 loc) · 4.77 KB

文档关键字

早期的信息检索平台并没有如今这么发达,大量的类似论坛、wiki的信息发布网站都依赖文档的关键字进行文档检索。即使是在如今的互联网世界,大量的信息检索还要依赖关键字。依靠人工归纳文章的关键字虽然相对准确,但是面对信息爆炸的互联网,这几乎成为了不可能的任务。本章将介绍如何使用TextRank和TFIDF算法自动提取文档的关键字。

TextRank

TextRank的思路来自于PageRank。PageRank最开始用来计算网页的重要性。整个互联网可以看作一张有向图,节点是网页。如果网页A存在到网页B的链接,那么有一条从网页A指向网页B的有向边,指向同一个网页的链接越多,该网页的重要性或者说PageRank值更大。综合考虑Title和Keywords等其它因素之后,Google通过PageRank来调整结果,使那些更重要的网页在搜索结果排名更靠前。

使用TextRank和TFIDF进行文档关键字自动提取-图2

TextRank的原理和PageRank类似,一篇文档去掉停用词以后,每个单词相当于一个网页,有时候也会指定某些词性的单词才参与计算TextRank,比如名词和动词。网页有明显的指向关系,但是文档的单词之间只有前后关系,所以要指定一个滑动的窗口大小,比如前后5个单词。在滑动窗口内的单词之间的前后关系当做网页之间的指向关系,参与TextRank的计算。 使用TextRank和TFIDF进行文档关键字自动提取-图1

TFIDF

TFIDF在本书中多次提到了,它同样可以用于提取关键字。TFIDF的一个基本假设是,一个单词的重要性由词频决定,如果一个单词在一句话里出现频率高,同时在其他句子里出现频率低,那么这个单词对这句话就非常重要,对于一个文档也是如此。

测试数据

测试数据挑选了写本章时的一条新闻,新闻内容如下:

据半岛电视台援引叙利亚国家电视台称,叙利亚已经对美国、英国、法国的空袭进行了反击。据介绍,在叙军武器库中,对西方最具威慑力的当属各型战术地对地弹道导弹。尽管美英法是利用巡航导弹等武器发动远程空袭,但叙军要对等还击却几乎是“不可能完成的任务”。目前叙军仍能作战的战机仍是老旧的苏制米格-29、米格-23、米格-21战斗机和苏-22、苏-24轰炸机,它们在现代化的西方空军面前难有自保之力,因此叙军的远程反击只能依靠另一个撒手锏——地对地战术弹道导弹.

提取关键字

使用TextRank提取关键字

Jieba提供了TextRank实现,直接使用默认参数就可以完成关键字的提取。

# 引入TextRank关键词抽取接口
textrank = analyse.textrank

# 基于TextRank算法进行关键词抽取
keywords = textrank(text)
# 输出抽取出的关键词
for keyword in keywords:
    print keyword + "/"

提取的结果如下所示,自动化提取关键字的结果差强人意,其中"只能"、"据介绍"这些完全可以省略,另外通常关键字个数需要控制在10个以内。

叙军/
远程/
空袭/
电视台/
战术/
反击/
空军/
现代化/
叙利亚/
地对地/
只能/
武器/
发动/
弹道导弹/
任务/
国家/
据介绍/
法国/
进行/
当属/

Jieba提供了接口,设置关键字的个数以及提取的关键字的词性,比如:

  • topK,指定关键字的个数
  • allowPOS,指定关键字的词性,常见的词性包括:
    • n 名词
    • nr 人名
    • ns 地名
    • nz 其它专名
    • t 时间词
    • v 动词
    • vd 副动词
    • vn 名动词

我们只提取10个关键字,且只关注名词和动词以及名动词。

# 基于TextRank算法进行关键词抽取
keywords = textrank(text,topK = 10, withWeight = False, allowPOS = ('n','ns','vn','v'))

生成的结果如下所示,基本满足我们的需求了。

叙军/
远程/
空袭/
电视台/
战术/
反击/
空军/
现代化/
叙利亚/
地对地/

使用TFIDF提取关键字

使用TFIDF提取关键字的方法和TextRank类似。

# TFIDF
keywords_tfidf = analyse.extract_tags(text,topK = 10, withWeight = False, allowPOS = ('n','ns','vn','v','nz'))

# 输出抽取出的关键词
for keyword in keywords_tfidf:
    print keyword + "/"

生成的结果如下所示,与TextRank相比差别不大。

叙军/
地对地/
空袭/
弹道导弹/
远程/
叙利亚/
电视台/
反击/
战术/
撒手锏/

参考资料

  • Rada Mihalcea and Paul Tarau,TextRank: Bringing Order into Texts
  • The PageRank Citation Ranking:Bringing Order to the Web