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。

plaintext
# 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。

plaintext
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。

plaintext
# 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。

plaintext
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。

plaintext
# 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。

plaintext
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/

原文：https://github.com/duoergun0729/nlp