爬到的数据不处理怎么行?大话TextRank自动关键词与摘要生成

PageRank是TextRank的核心

PageRank是谷歌发明的,最开始用来计算网页的重要性。整个www可以看作一张有向图图,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。


网页示例

构造完图后,使用下面的公式:


PageRank公式

S(Vi)是网页i的中重要性(PR值)。d是阻尼系数,一般设置为0.85。In(Vi)是存在指向网页i的链接的网页集合。Out(Vj)是网页j中的链接存在的链接指向的网页的集合。|Out(Vj)|是集合中元素的个数。

为了更好地理解这个公式,我们可以把阻尼系数设为1,那么S(i) = sum(S(j) / out(j)). 这其实就是一个“分人品”的过程,看看每一个和页面i相邻的边都把多少人品分给了自己。比如页面j人品为5,分出了5个链接,其中一个指向了i,那么页面i从j得到了数值为1的人品。

至于阻尼系数,是为了防止意外发生,如存在一些出链为0,也就是那些不链接任何其他网页的网, 也称为孤立网页。他们的PR值被设定到了一个最小值。

PageRank需要使用上面的公式多次迭代才能得到结果。初始时,可以设置每个网页的重要性为1。上面公式等号左边计算的结果是迭代后网页i的PR值,等号右边用到的PR值全是迭代前的。

使用TextRank提取关键字

将原文本拆分为句子,在每个句子中过滤掉停用词(可选),并只保留指定词性的单词(可选)。由此可以得到句子的集合和单词的集合。

每个单词作为pagerank中的一个节点。设定窗口大小为k,假设一个句子依次由下面的单词组成:

1
w1,w2,w3,w4,w5,…,wn
1
[w1,w2,…,wk]、[w2,w3,…,wk+1]、[w3,w4,…,wk+2]

等都是一个窗口。在一个窗口中的任两个单词对应的节点之间存在一个无向无权的边。

基于上面构成图,可以计算出每个单词节点的重要性。最重要的若干单词可以作为关键词。

使用TextRank提取关键短语

参照“使用TextRank提取关键词”提取出若干关键词。若原文本中存在若干个关键词相邻的情况,那么这些关键词可以构成一个关键短语。

例如,在一篇介绍“支持向量机”的文章中,可以找到三个关键词支持、向量、机,通过关键短语提取,可以得到支持向量机。

使用TextRank提取摘要

将每个句子看成图中的一个节点,若两个句子之间有相似性,认为对应的两个节点之间有一个无向有权边,权值是相似度。

通过pagerank算法计算得到的重要性最高的若干句子可以当作摘要。

运行实例

在开源项目地址:https://github.com/letiantian/TextRank4ZH 已经有一个写好的针对中文语料的TextRank,调用示例如下:


调用过程

对于文本https://raw.githubusercontent.com/letiantian/TextRank4ZH/master/test/doc/01.txt
该算法的输出如下:


输出结果

参考博客:https://www.letiantian.me/2014-12-01-text-rank/

0%