文本摘要 - 使用 TextRank4ZH 抽取中文文本摘要

AI工程化

于 2023-03-01 10:22:25 发布

阅读量1.1k

点赞数 1

文章标签： python 开发语言 TextRank4ZH 文本摘要

原文链接：https://github.com/letiantian/TextRank4ZH

版权

NLP 进阶专栏收录该内容

41 篇文章 7 订阅 ¥39.90 ¥99.00

订阅专栏

超级会员免费看

文章目录

关于 TextRank4ZH

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。

github：https://github.com/letiantian/TextRank4ZH
原理和使用介绍 : https://www.letiantian.me/2014-12-01-text-rank/

安装

依赖

jieba >= 0.35
numpy >= 1.7.1
networkx >= 1.9.1

pip install textrank4zh

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。

使用示例

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二维列表。
words_all_filters：保留words_no_stop_words中指定词性的单词而得到的二维列表。

#-*- encoding:utf-8 -*-
from __future__ import print_function
import sys
import codecs
from textrank4zh import TextRank4Keyword, TextRank4Sentence

try:
    reload(sys)
    sys.setdefaultencoding('utf-8')
except:
    pass


text = codecs.open('../test/doc/01.txt', 'r', 'utf-8').read()
tr4w = TextRank4Keyword()

# py2中text必须是utf8编码的str或者unicode对象，py3中必须是utf8编码的bytes或者str对象
tr4w.analyze(text=text, lower=True, window=2)  

print('\n-- 关键词：' )
for item in tr4w.get_keywords(20, word_min_len=1):
    print(item.word, item.weight)


print('\n-- 关键短语：' )
for phrase in tr4w.get_keyphrases(keywords_num=20, min_occur_num= 2):
    print(phrase)
 
print('\n-- sentences:')
for s in tr4w.sentences:
    print(s)        

    
print('\n-- words_no_filter')
for words in tr4w.words_no_filter:
    print('/'.join(words))  

print('\n-- words_no_stop_words')
for words in tr4w.words_no_stop_words:
    print('/'.join(words))    

    
print('\n-- words_all_filters')
for words in tr4w.words_all_filters:
    print('/'.join(words))   
    

tr4s = TextRank4Sentence()
tr4s.analyze(text=text, lower=True, source = 'all_filters')

print( '\n-- 摘要：' )
for item in tr4s.get_key_sentences(num=3):
    # index是语句在文本中位置，weight是权重
    print(item.index, item.weight, item.sentence)