RAKE-无监督英文关键词提取算法

没想到吧，在深度学习大行其道的当今，我突然写了一篇上古时代的文章（其实也就2010年，奈何知识更新真快…）
话不多说，一起来看一下RAKE算法

RAKE

RAKE全称为Rapid Automatic Keyword Extraction，突出两个亮点：1. 快速，线上部署非常友好；2. 无监督，也即不需要大量有标签数据，0成本~

提取候选词

首先，使用停用词进行候选关键词的提取和切分，这里的停用词表非常关键，决定你候选词组切分的效果，候选词组切分不好，最终提取到的效果也会受影响。
候选词提取方法其实很简单：首先，构造停用词表，对一个句子中，两个停用词之间的短语进行切分（切分得到的，可能是短语，也可能是单词），从而得到多个候选词。
首先，构造停用词正则项：

stop_word_pattern = re.compile('|'.join(stop_word_regex_list), re.IGNORECASE)

其次，按停用词进行切分：

tmp = re.sub(stopword_pattern, '|', s.strip())

举个例子，原始句子如下：

text = "Compatibility of systems of linear constraints over the set of natural numbers. Criteria of compatibility of a system of linear Diophantine equations, strict inequations, and nonstrict inequations are considered. "

linear constraints前为停用词of, 后为停用词over，所以linear constraints会被切分成一个短语，上述句子切分后得到的候选关键词如下：

tmp_candidate_keywords = ["Compatibility", "systems", "linear constraints", "set", "natural numbers", "Criteria", "compatibility", "system", "linear Diophantine equations" "strict inequations", "nonstrict inequations", "considered".]

计算候选词得分

首先，分别计算（1）词频（freq(w)），即单词出现次数；（2）词组总长（deg(w)），即单词所在词组长度总和；（3）词组总长与词频的比例（deg(w)/freq(w)）。
如上述例子tmp_candidate_keywords中，linear的词频freq(w)=2，词组总长deg(w)=2+3=5，因此该单词得分为deg(w)/freq(w)=5/2=2.5。
对每个单词都按上述方法计算得分后，可以得到每个单词的分数。

其次，计算短语得分：按每个单词的分数相加，得到短语得分。（由此可见，RAKE算法比较强调短语的结果，因为短语短语分数是由多个单词分词直接相加的，可以得到更高分数）

最后，按照得分进行排序，取前1/3的词组进行输出，作为最后的关键词结果。

实测效果

最后，来看一下效果。下图是在我们实际业务场景中提取到的关键词，总体效果还是很不错的：

参考：
Paper: Automatic keyword extraction from individual documents
Code: https://github.com/mpk001/RAKE-keywordsExtraction