TextRank4ZH中文文本关键词和摘要提取库
TextRank4ZH 用于自动从中文文本中提取关键词和摘要,基于 TextRank 算法,使用 Python 编写。
TextRank 算法可以用来从文本中提取关键词和摘要(重要的句子)。TextRank4ZH是针对中文文本的TextRank算法的python算法实现。
安装
本程序使用python 2.7测试没有问题,暂时不兼容python 3。
先确定已经有jieba、numpy、networkx这三个库。可以使用pip安装:
$ sudo pip install numpy $ sudo pip install jieba $ sudo pip install networkx
关于库版本,以下作为参考:
$ pip show jieba --- Name: jieba Version: 0.35 Location: /usr/local/lib/python2.7/dist-packages Requires: $ pip show numpy --- Name: numpy Version: 1.7.1 Location: /usr/lib/python2.7/dist-packages Requires: $ pip show networkx --- Name: networkx Version: 1.9.1 Location: /usr/local/lib/python2.7/dist-packages Requires: decorator
另外,请确保安装最新版本的jieba分词,TextRank4ZH需要新版本jieba提供的词性标注功能。
$ sudo pip install jieba --upgrade
TextRank4ZH暂不支持使用easy_install、pip来安装,使用者可以将textrank4zh拷贝到项目目录,或者环境变量PYTHONPATH指向的目录中。
目录结构
├── LICENSE #许可证 ├── README.md #使用说明 ├── stopword.data #停止词词典 ├── test.py #测试 ├── text #存放测试所需要的文本 │ ├── 01.txt │ ├── 02.txt │ ├── 03.txt │ ├── 04.txt │ └── 05.txt └── textrank4zh #!main ├── __init__.py ├── Segmentation.py ├── TextRank4Keyword.py └── TextRank4Sentence.py
原理
TextRank的详细原理请参考:
Mihalcea R, Tarau P. TextRank: Bringing order into texts[C]. Association for Computational Linguistics, 2004.
关键词提取
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:
w1, w2, w3, w4, w5, ..., wn
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。
关键短语提取
参照关键词提取提取出若干关键词。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词组。
例如,在一篇介绍支持向量机的文章中,可以找到关键词支持、向量、机,通过关键词组提取,可以得到支持向量机。
摘要生成
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。
测试
test.py提供了使用的示例:
#-*- encoding:utf-8 -*- import codecs from textrank4zh import TextRank4Keyword, TextRank4Sentence text = codecs.open('./text/01.txt', 'r', 'utf-8').read() tr4w = TextRank4Keyword(stop_words_file='./stopword.data') # 导入停止词 #使用词性过滤,文本小写,窗口为2 tr4w.train(text=text, speech_tag_filter=True, lower=True, window=2) print '关键词:' # 20个关键词且每个的长度最小为1 print '/'.join(tr4w.get_keywords(20, word_min_len=1)) print '关键短语:' # 20个关键词去构造短语,短语在原文本中出现次数最少为2 print '/'.join(tr4w.get_keyphrases(keywords_num=20, min_occur_num= 2)) tr4s = TextRank4Sentence(stop_words_file='./stopword.data') # 使用词性过滤,文本小写,使用words_all_filters生成句子之间的相似性 tr4s.train(text=text, speech_tag_filter=True, lower=True, source = 'all_filters') print '摘要:' print '\n'.join(tr4s.get_key_sentences(num=3)) # 重要性最高的三个句子
得到的关键词:
媒体/高圆圆/微/宾客/赵又廷/答谢/谢娜/现身/记者/新人/北京/博/展示/捧场/礼物/张杰/当晚/戴/酒店/外套
得到的关键短语:
微博
得到的摘要:
中新网北京12月1日电(记者 张曦) 30日晚,高圆圆和赵又廷在京举行答谢宴,诸多明星现身捧场,其中包括张杰(微博)、谢娜(微博)夫妇、何炅(微博)、蔡康永(微博)、徐克、张凯丽、黄轩(微博)等 高圆圆身穿粉色外套,看到大批记者在场露出娇羞神色,赵又廷则戴着鸭舌帽,十分淡定,两人快步走进电梯,未接受媒体采访 记者了解到,出席高圆圆、赵又廷答谢宴的宾客近百人,其中不少都是女方的高中同学
使用说明
类TextRank4Keyword、TextRank4Sentence在处理一段文本时会将文本拆分成4种格式:
sentences:由句子组成的列表。
words_no_filter:对sentences中每个句子分词而得到的两级列表。
words_no_stop_words:去掉words_no_filter中的停止词而得到的两级列表。
words_all_filters:保留words_no_stop_words中指定词性的单词而得到的两级列表。
例如,对于:
这间酒店位于北京东三环,里面摆放很多雕塑,文艺气息十足。答谢宴于晚上8点开始。
对类TextRank4Sentence,在speech_tag_filter=True, lower=True, source = 'all_filters'时,
sentences:
['这间酒店位于北京东三环,里面摆放很多雕塑,文艺气息十足', '答谢宴于晚上8点开始']
words_no_filter:
[ [ '这', '间, '酒店, '位于, '北京, '东三环, '里面, '摆放, '很多, '雕塑, '文艺, '气息, '十足'], [ '答谢', '宴于, '晚上, '8, '点, '开始' ] ]
words_no_stop_words:
[ [ '间', '酒店, '位于, '北京, '东三环, '里面, '摆放, '很多, '雕塑, '文艺, '气息, '十足' ], [ '答谢', '宴于, '晚上, '8, '点' ] ]
words_all_filters:
[ [ '酒店', '位于, '北京, '东三环, '摆放, '雕塑, '文艺, '气息' ], [ '答谢', '宴于, '晚上' ] ]
类TextRank4Keyword位于textrank4zh/TextRank4Keyword.py中,类TextRank4Sentence位于textrank4zh/TextRank4Sentence.py中,类的实现、函数的参数请参考源码注释。