【NLP学习笔记】使用jieba实现关键词提取

1 关键词提取
jieba 提供了两种关键词提取方法，分别基于 TF-IDF 算法和 TextRank 算法。

1.1 基于 TF-IDF 算法的关键词提取

TF-IDF(Term Frequency-Inverse Document Frequency, 词频-逆文件频率)是一种统计方法，用以评估一个词语对于一个文件集或一个语料库中的一份文件的重要程度，其原理可概括为：

一个词语在一篇文章中出现次数越多，同时在所有文档中出现次数越少，越能够代表该文章

计算公式：TF-IDF = TF * IDF，其中：

TF(term frequency, TF)：词频，某一个给定的词语在该文件中出现的次数，计算公式：

IDF(inverse document frequency, IDF)：逆文件频率，如果包含词条的文件越少，则说明词条具有很好的类别区分能力，计算公式：

通过 jieba.analyse.extract_tags()方法可以基于 TF-IDF 算法进行关键词提取，该方法共有 4 个参数：
sentence：为待提取的文本
topK：为返回几个 TF/IDF 权重最大的关键词，默认值为 20
withWeight：是否一并返回关键词权重值，默认值为 False
allowPOS：仅包括指定词性的词，默认值为空

import jieba.analyse as anls

s = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。" \
    "吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。" \
    "2013年，实现营业收入0万元，实现净利润-139.13万元。"
for x, w in anls.textrank(s, withWeight=True):
    print('%s %s' % (x, w))

结果如下：

Building prefix dict from the default dictionary …
Loading model from cache C:\Users**********\AppData\Local\Temp\jieba.cache
欧亚 0.7300142700289363
吉林 0.659038184373617
置业 0.4887134522112766
万元 0.3392722481859574
增资 0.33582401985234045
4.3 0.25435675538085106
7000 0.25435675538085106
2013 0.25435675538085106
139.13 0.25435675538085106
实现 0.19900979900382978
综合体 0.19480309624702127
经营范围 0.19389757253595744
亿元 0.1914421623587234
在建 0.17541884768425534
全资 0.17180164988510638
注册资本 0.1712441526
百货 0.16734460041382979
零售 0.1475057117057447
子公司 0.14596045237787234
营业 0.13920178509021275
Loading model cost 0.646 seconds.
Prefix dict has been built succesfully.
使用 jieba.analyse.TFIDF(idf_path=None) 可以新建 TFIDF 实例，其中 idf_path 为 IDF 频率文件。

1.2 基于 TextRank 算法的关键词提取

TextRank 是另一种关键词提取算法，基于大名鼎鼎的 PageRank，其原理可参见论文—— TextRank: Bringing Order into Texts 。

通过 jieba.analyse.textrank 方法可以使用基于 TextRank 算法的关键词提取，其与 ‘jieba.analyse.extract_tags’ 有一样的参数，但前者默认过滤词性（allowPOS=(‘ns’, ‘n’, ‘vn’, ‘v’)）。

import jieba.analyse
for x, w in analyse.textrank(s, withWeight=True):
    print('%s %s' % (x, w))

结果如下：

Building prefix dict from the default dictionary …
Loading model from cache C:\Users************\AppData\Local\Temp\jieba.cache
Loading model cost 0.864 seconds.
Prefix dict has been built succesfully.
吉林 1.0
欧亚 0.9966893354178172
置业 0.6434360313092776
实现 0.5898606692859626
收入 0.43677859947991454
增资 0.4099900531283276
子公司 0.35678295947672795
城市 0.34971383667403655
商业 0.34817220716026936
业务 0.3092230992619838
在建 0.3077929164033088
营业 0.3035777049319588
全资 0.303540981053475
综合体 0.29580869172394825
注册资本 0.29000519464085045
有限公司 0.2807830798576574
零售 0.27883620861218145
百货 0.2781657628445476
开发 0.2693488779295851
经营范围 0.2642762173558316

使用 jieba.analyse.TextRank() 可以新建自定义 TextRank 实例。

1.3 自定义语料库

关键词提取所使用逆向文件频率（IDF）文本语料库 和 停用词（Stop Words）文本语料库可以切换成自定义语料库的路径。

import jieba.analyse as anls

s = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。" \
    "吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。" \
    "2013年，实现营业收入0万元，实现净利润-139.13万元。"

anls.set_stop_words("./spw_use_test.txt")
anls.set_idf_path("idf.txt.big")

for x, w in anls.extract_tags(s, topK=20, withWeight=True):
    print('%s %s' % (x, w))

结果如下

Building prefix dict from the default dictionary …
Loading model from cache C:\Users**********\AppData\Local\Temp\jieba.cache
吉林 1.1385492859904762
欧亚 0.8169207307466667
增资 0.5692746429952381
置业 0.5468936250935714
万元 0.3796618015414286
全资 0.28463732149761906
有限公司 0.28463732149761906
4.3 0.28463732149761906
注册资本 0.28463732149761906
7000 0.28463732149761906
增加 0.28463732149761906
房地产 0.28463732149761906
业务 0.28463732149761906
城市 0.28463732149761906
综合体 0.28463732149761906
2013 0.28463732149761906
营业 0.28463732149761906
收入 0.28463732149761906
净利润 0.28463732149761906
139.13 0.28463732149761906
Loading model cost 0.862 seconds.
Prefix dict has been built succesfully.