一个快速从中文文本抽取关键短语的工具 ckpe 提取关键短语

一个从 中文自然语言文本 中抽取 关键短语 的工具

需要调用的话，请直接进入github查看调用方法：

⭐源码地址：ckpe

⭐戳这里 => 在线直接试用 关键短语抽取在线版

---

应用场景 Application scenario

1.抽取关键短语

• 在很多关键词提取任务中，使用tfidf、textrank等方法提取得到的仅仅是若干零碎词汇。
• 这样的零碎词汇无法真正的表达文章的原本含义，我们并不想要它。

>>> text = '朝鲜确认金正恩出访俄罗斯 将与普京举行会谈...'
>>> keywords = ['俄罗斯', '朝鲜', '普京', '金正恩', '俄方']

• 在很多时候，我们往往需要更细化的短语描述，来作为文本的关键信息展示。这样的需求在生成词云、提供摘要阅读、关键信息检索等任务中都非常重要。

>>> phrases = ['俄罗斯克里姆林宫', '邀请金正恩访俄', '最高司令官金正恩', 
               '朝方转交普京', '举行会谈']

⭐将关键短语做成词云，效果非常好哦！

功能介绍 Function introduction

为解决以上问题，基于北大分词器 pkuseg 工具，开发了一个关键短语抽取器，它可以方便地从文本中找出表达完成意思的关键短语。

使用方法 Usage

安装 Installation

• 仅支持 python3
• 自动安装 pkuseg 依赖包

$ git clone https://github.com/dongrixinyu/chinese_keyphrase_extractor
$ cd ~/chinese_keyphrase_extractor
$ pip install .

示例代码 Sample code

• 输入必须为 utf-8 编码字符串
• 仅支持中文
• 具体函数参数见代码

1.抽取关键短语

import ckpe    

ckpe_obj = ckpe.ckpe()
# 初次导入时会自动下载北大词性标注模型包，自动加载入内存（50M）  
# 若由于网速原因下载失败，请参考 https://github.com/lancopku/pkuseg-python 如何安装下载 pkuseg 默认模型  

text = '法国媒体最新披露，巴黎圣母院火灾当晚，第一次消防警报响起时，负责查验的保安找错了位置，因而可能贻误了救火的最佳时机。...'
key_phrases = ckpe_obj.extract_keyphrase(text)
print(key_phrases)
print(ckpe_obj.extract_keyphrase.__doc__)

2.扩展类型短语

• 该项功能主要为特定短语抽取服务
• 有时产品和客户给定了一些词汇列表，比如化工经营业务词汇“聚氯乙烯”、“塑料”、“切割”、“金刚石”等。想要找到跟这些词汇相关的短语。
• 在做NER命名实体识别任务的时候，我们需要从文本中，将已有的类型词汇做扩充，如“机构”类别，但我们仅知道机构的一些特征，如常以“局”、“法院”、“办公室”等特征词结尾。
• 在下面的使用样例中，给出了上述两种需求的扩展短语识别的方法。

text = '聚氯乙烯树脂、塑料制品、切割工具、人造革、人造金刚石、农药（不含危险化学品）、针纺织品自产自销。...'
word_dict = {'聚氯乙烯': 1, '塑料': 1, '切割': 1, '金刚石': 1}  # 词汇: 词频（词频若未知可全设 1）
key_phrases = ckpe_obj.extract_keyphrase(text, top_k=-1, specified_words=word_dict)
print(key_phrases)

3.NER任务的短语扩充

text = '国务院下发通知，山西省法院、陕西省检察院、四川省法院、成都市教育局。...'
word_dict = {'局': 1, '国务院': 1, '检察院': 1, '法院': 1}
key_phrases = ckpe_obj.extract_keyphrase(text, top_k=-1, specified_words=word_dict, 
                                         remove_phrases_list=['麻将局'])
print(key_phrases)

原理 Principle of algorithm

• 首先基于 pkuseg 工具做分词和词性标注，再使用 tfidf 计算文本的关键词权重，
• 关键词提取算法找出碎片化的关键词，然后再根据相邻关键碎片词进行融合，重新计算权重，去除相似词汇。得到的融合的多个关键碎片即为关键短语。
  • 短语的 token 长度不超过 12
  • 短语中不可出现超过1个虚词
  • 短语的两端 token 不可是虚词和停用词
  • 短语中停用词数量不可以超过规定个数
  • 短语重复度计算添加其中
  • 提供仅抽取名词短语功能
• 使用预训练好的 LDA 模型，计算文本的主题概率分布，以及每一个候选短语的主题概率分布，得到最终权重

特点

• 该算法稳定性高，能够克服很多错误的字符串，比如“啊啊啊啊啊啊”， “----------”，“fheauinfrurqpernznm”，“开心~~~~”等等
• 该算法处理速度在单核cpu上大约为 6篇/秒
• 该算法可以支持名词短语，动宾短句的自由切换，且提供了丰富的接口方便尝试调用。
• 该算法可以支持扩展特征抽取，可以进一步进行文本摘要抽取，基于短语的文本特征表示

TODO

• pkuseg 分词器造成的错误，如把时间识别为名词，数字识别为人名等
• stopwords 表中一些词汇既可以做实词，又可以做虚词，如“本”，“类”，造成错误
• 规则过滤不完善造成的错误，或过滤过强造成的漏选
• 某些数词与量词会相互分离，结合不够紧密，造成错误。
• 如果有任何使用上的错误，请记得及时反馈哦！

Reference

• Teneva N , Cheng W . Salience Rank: Efficient Keyphrase Extraction with Topic Modeling[C]// Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers). 2017.
• Liu Z , Huang W , Zheng Y , et al. Automatic Keyphrase Extraction via Topic Decomposition[C]// Proceedings of the 2010 Conference on Empirical Methods in Natural Language Processing, EMNLP 2010, 9-11 October 2010, MIT Stata Center, Massachusetts, USA, A meeting of SIGDAT, a Special Interest Group of the ACL. Association for Computational Linguistics, 2010.

我的窝 My blog

如果觉得方便好用，请 follow 我一波：
JioNLP
在线使用版

JioNLP时间语义解析