我们将使用术语频率-逆文档频率（TF-IDF）来查找BBC新闻文章中最重要的句子。 然后，我们将将此算法实现为快速便捷的Firefox扩展。
单击此处查看本文的更新版本：
w ^ e're要创建BBC新闻文章的摘要，并将其置于使用Firefox扩展的顶部。 本文是关于过时的术语频率倒文档频率（TF-IDF）算法。 我们将以Firefox扩展的形式创建实际用法。 我知道你在想什么 “ TF-IDF？ 打哈欠😴”，但对我而言，这很有趣！
完成后，它将如下所示：
术语频率*反向凭证频率
不用担心，算法的名称也使我每次听到它大声说出来时就睡着了。 该算法是2个算法相乘而成。 让我们看看这两个如何工作：
词频
词频（TF）是单词在文档中出现的频率除以单词数。
假设您正在阅读有关英国退欧的新闻文章。 “ Brexit”一词会出现很多，因此“ Brexit”一词的使用频率很高。
通常，我们希望与该术语一起建立一个术语频率的字典（哈希图）。 类似于{word：该单词的词频} ，然后遍历该词典以找出哪个单词出现次数最多。
现在，如果我告诉您频率字典一词看起来像这样：
{"and": 0.87, "the": 0.73}
您会看到这些常见的英语单词对我们没有用。 当然，大多数英语文本中都包含这些单词，但是我们称这些单词为停用词 。 尽管没有一个单一的定义，但停用词通常是指一种语言中最常见的词。 您必须根据使用情况选择停用词。 您必须决定要使用的单词。 在处理某些文本之前，通常需要删除停用词以更好地处理文本。
其中带有大写字母的单词与没有大写字母的单词不同。 在编程中，“非洲”和“非洲”是两个不同的事物。 因此，我们希望将所有内容都转换为小写或大写形式，以更好地处理文本。 我们将把所有单词变成小写。
给定一个字符串，我们要删除停用词并将其变为小写。 我们的扩展名将为我们提供BBC新闻文章上所有文字的字符串。 不必担心我们从何处获取文本，这将在Firefox扩展部分稍后完成。 现在，假设我们的文本如下所示：
... These are external links and will open in a new windowA neat feature of many modern laptops is the ability to power them up through the USB port. Unlike the rectangular USB ports of old, the newer type - USB-C - can carry enough power to charge your
machine.That’s great news: it means ...
缩短了上面的文字，以防止读者入睡。
此功能将“美化”我们的文档。 第3行是在StackOverflow上找到的停用词数组。 我添加了“ share ”和“ linkthese ”，因为这些是我们不希望的新闻文章中的常用词。
第5行是Regex 。 方括号表示或。 [，。]表示“以逗号或句号激活” 。 / g表示全局。 一旦找到一个'，'或'。 不要停止，继续搜索字符串。 空字符串是我们要替换的字符串。 如果我们发现句号或逗号，则将其替换为任何内容-将其删除。 这是因为“非洲”一词。 如果没有，“非洲”和“非洲”将被分类为两个不同的词。
第4行将文档拆分为单独的单词。 map函数将函数应用于数组中的每个元素。 将字符串分成单词数组后，我们将toLowerCase（）方法应用于每个元素。 它使每个单词都小写。
过滤掉停用词后，我们将返回小写字母。 Filter（）仅使用内部函数为其返回True的元素创建一个新数组。
如果单词是停用词，则结果为True，这意味着我们将在文档中获得仅包含停用词的新数组。 我们使用否定运算符“！” 相反，这就是我们想要的。 返回单词列表，其中没有停用词。
现在我们要计算每个单词出现在文档中的次数。 这对于术语频率和反向文档频率都是有用的。 首先，我们要从一组单词中获取所有唯一的单词。
我们将数组转换为集合，因为集合没有重复。 这使我们仅获得数组中的唯一单词。 集合也没有顺序，因此我们不能使用数组索引访问元素。 我们需要将其直接变回数组。 有关集合论的更多信息，请查看我写的这篇文章 。
好的，现在是时候计算单词在单词数组中出现的次数了。
此函数遍历每个唯一单词，并计算该单词在单词数组中出现的次数。 术语频率函数很长，因此我将其分解。
第6行将文档分成句子。 有时句子前面有空格。 “布兰登。 小狗。” 在“狗”之前有空格。 我们对每个项目应用trim（）方法来摆脱这些尾随的空格。
关于第7行，第一个单词的前146个字符是社交媒体链接。 该词的其余部分为标题或副标题。 在这里，看看：
Share this withEmailFacebookMessengerMessengerTwitterPinterestWhatsAppLinkedInCopy this linkThese are external links and will open in a new window Ryanair is tightening the rules on what passengers pay to take luggage onto the plane, in order to "speed up boarding".
这很烦人，因为标题是故事的重要组成部分，需要加以考虑。 因此，我们删除第一个单词的前146个字符以得到：
Ryanair is tightening the rules on what passengers pay to take luggage onto the plane, in order to "speed up boarding"
还记得这个公式吗？
变量“ TFVals ”正在计算此公式。 如果我们运行“你好，我叫布兰登。 布兰登布兰登。 大象通过频率函数跳上月球，我们将得到如下所示的内容：
我们有单词频率这个词，但是我们想计算最重要的句子 ，而不是单词。 为此，我们遍历每个句子，然后查看该句子中出现在TFVals中的单词 。
我们只需要将它们全部加起来，然后除以我们有多少个单词即可。 由于我们仅累加不停词的TF值，因此，如果我们除以不停词的个数而不是一个句子中有多少个词，那是很公平的。 如果我们不除以有多少个单词，长句子比短句子有优势。
这就是下面的第20行。 和上面一样，我们遍历每个句子并计算每个句子的TF值。
就是这样。 但是我们仅使用术语频率有一个问题。 正如您之前所看到的，在我们查看的所有3个句子中，“布兰登·布兰登”是得分最高的TF。
受欢迎程度还不够。 我们不希望句子中包含最多关键字，因为它们可能没有意义，或者它们可能是重复的。 例如在“布兰登”布兰登”一句中。 它具有较高的TF值，但内容不多。
它包含的信息不多，也没有用。 我们想要一个既罕见又独特并且包含文章中常见关键字的句子。 这是反向文档频率出现的地方。
反文档频率
术语频率是单词的常见程度，逆文档频率（IDF）是单词的独特性或稀有性。 IDF的公式是：
IDF用于许多文档，而TF是为一个文档构建的。 您可以决定什么是文档。 在本文中，每个句子都是其自己的文档。
IDF的前几个步骤与TF相同。 我们对文档进行美化，对文档中的单词进行计数并获得所有唯一的单词。
第1至6行并不新鲜。 第17行的for循环遍历文档中的每个句子。 由于每个句子都是新的“文档”，因此我们需要分别计算每个句子的单词数。 我们必须美化它们以消除停用词，并将其变成单词数组。 我们将每个新句子的wordcount对象推送到wordCountSentences中 。
现在，我们将遍历每个单词，计算每个单词中该单词出现的次数，并使用以下公式计算IDF得分。
现在，我们只对每个不停的单词执行此操作。
的代码是：
现在我们要获取所有句子的IDF值，我们在这里使用TF中的相同代码，但是替换一些东西以使其起作用。
如果我对您如实，我做了一个简单的“查找并替换”变量。 我没有在评论中使用“ TF”，而是将其替换为IDF。 相反，“TFVals”中，我用“IDFVals”取而代之。 这里没有发生任何重要的事情，因此请随时跳过此部分。
现在我们知道一个句子的独特性或罕见性。 这并不是很有用，因为我们也希望句子包含丰富的信息。 我们想要某种方式将TF的普及与IDF的独特性相结合。 这将引导我们进入下一部分……
重新访问了TF-IDF
现在，我们实现了TF和IDF功能。 剩下要做的唯一一件事就是将它们相乘。
对象TF和IDF都源自同一数据，因此TF不会包含IDF中没有的内容。 因此，我们可以遍历一个对象并使用相同的键。 我们将TFVals中的值乘以IDFVals中的值。
下一步是计算TF-IDF对象中最重要的3个句子。 使用几个if语句在对象的[key，value]上进行迭代。
您会在底部看到我们返回格式化的字符串。 我们对它进行格式化，以便在将其插入网页时看起来不错。 每个<br>都是一个换行符，即文本中的空格。 黑点是项目符号点。 现在，我们将在Firefox扩展中实现此算法。 🔥🦊
在BBC新闻文章中获取和更改文字
转到任何BBC新闻文章，右键单击并按“检查元素”。 您将在屏幕底部看到一个漂亮的框。 使用左上角的元素选择器工具，将鼠标悬停在文章上方。 我们可以看到整篇文章都包含在“ story-body”的CSS类中。
如果进一步，我们可以看到文章中的所有实际文本都被该CSS类内的段落标记所包围。
我们将使用JQuery选择文本。
该行选择了Story-body类中的所有<p>标签。 现在我们要获取文本，我们可以通过应用.text（）方法来实现。
我们想要将文本添加到文章的顶部。 JQuery有一个称为prepend的方法，它使我们可以将数据添加到对象的顶部。
我们完成了！ 现在，我们可以识别BBC新闻文章中最重要的句子，并将其显示在顶部。 只是时间把它变成一个扩展。
Firefox扩展基础
Firefox扩展有2个主要部分。 您编写的Javascript和manifest.json文件（该文件告诉Mozilla您的扩展程序做什么）。 我们现在要遍历manifest.json 。
manifest_version告诉Firefox您正在使用的清单版本。 名称告诉Firefox您的扩展名是什么。 版本告诉Firefox您的扩展名是什么版本号。 这三个是强制性的。
description告诉Firefox您的扩展程序做什么。
content_scripts告诉Firefox当URL与您输入的内容匹配时要加载哪些脚本。 为了使您指定的脚本运行，当前URL必须至少与您指定的URL之一匹配。 您可以在此处使用2个特殊字符：
- “ * ”匹配零个或多个字符。 在这种情况下，我不知道用户将加载HTTP还是HTTPS，所以我要一步一步地加载两者。 我也不知道用户会看什么确切的文章，因此我将其设置为可在任何文章上激活。
2.“ ？ ”正好匹配一个字符。
Mozilla开发人员网络对此有很好的解释：
例如： "*na?i"将匹配"illuminati"和"annunaki" ，但不匹配"sagnarelli" 。
由于我们将使用jQuery，因此在执行脚本之前，还将jQuery JS文件也导入网站。 您可以从此处获取jQuery文件。 复制并粘贴到名为“ jquery.js”的文件中。
在Firefox URL中输入“ about：debugging ”以加载此页面：
在这里，单击“加载临时附件……” ，然后单击扩展名中的任何文件。 完成后，您应该看到以下内容：
Mozilla的对Firefox扩展的基础知识一个很好的文章， 在这里 。
现在加载任何BBC新闻文章来玩！
结论
您现在已经看到了TF-IDF的强大功能以及它的实际应用程序。 我想到这个主意是因为我有电子邮件焦虑症。 我对阅读电子邮件感到非常紧张，以至于我希望对它们进行快速总结以平息我的想法。 las，这是我第一次编写Javascript。 我从BBC新闻文章开始比较容易。
如果您愿意，可以通过以下几种方法来改进此代码：
- 动态选择摘要中需要多少个句子。 您可以在整篇文章中找到平均TF * IDF值，并且可以在摘要中找到超过X的任何值。 这使得较长的文章与较短的文章一样被对待。
- 将此扩展到您想要的任何其他网站上。
GitHub仓库在这里 。
你喜欢这篇文章吗？ 在社交媒体上与我联系，讨论与计算机科学相关的所有事物😁
推特 | Instagram的 | 领英
我写这篇文章没有得到报酬。 如果您想支持我或喜欢这篇文章，请随时给我买一杯茶或below以下的东西。
转到paypal.me/BrandonSkerritt并输入金额。 由于是PayPal，因此既简单又安全。 没有PayPal… www.paypal.me
From: https://hackernoon.com/finding-the-most-important-sentences-using-nlp-tf-idf-3065028897a3
280
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
