机器学习-TextRank算法学习

一、算法简介

TextRank算法是一种基于图的排序算法，用于为文本生成关键字和摘要。该算法的基本思想来源于谷歌的PageRank算法，通过将文本分割成若干组成单元（单词、句子）并建立图模型，利用投票机制对文本中的重要成分进行排序，仅利用单篇文档本身的信息即可实现关键词提取、文摘。

二、算法运用

• 摘要生成：TextRank算法可以根据给定文本生成摘要，通过对文本进行分词、构建词图和传播权重等步骤，提取出文本中的重要信息，生成简洁明了的摘要。
• 关键词提取：通过分析文本中词汇的共现关系和权重，TextRank算法可以提取出文本中的关键词或短语，有助于对文本进行分类、索引和主题分析。
• 文本分类：TextRank算法也可以用于文本分类任务，通过对文本进行分词和权重计算，提取出文本的特征，并根据特征对文本进行分类。
• 信息抽取：TextRank算法可以用于从大量文本中抽取关键信息，例如从新闻报道中提取事件、时间、地点等关键要素。
• 社交媒体分析：在社交媒体分析中，TextRank算法可以用于分析用户发布的文本内容，提取出话题、趋势和关键人物等信息。
• 跨语言应用：TextRank算法也可以应用于跨语言场景，例如机器翻译和跨语言信息检索等任务

三、算法步骤

TextRank算法的计算公式是利用局部词汇之间关系（共现窗口）对后续关键词进行排序，直接从文本本身抽取。其基本步骤如下：

• 把给定的文本T按照完整句子进行分割。
• 对于每个句子，进行分词和词性标注处理，并过滤掉停用词，只保留指定词性的单词，如名词、动词、形容词。
• 构建候选关键词图G = (V,E)，其中V为节点集，由上一步生成的候选关键词组成，然后采用共现关系（co-occurrence）构造任两点之间的边，两个节点之间存在边仅当它们对应的词汇在长度为K的窗口中共现，K表示窗口大小，即最多共现K个单词。
• 根据公式迭代传播各节点的权重，直至收敛。
• 对节点权重进行倒序排序，从而得到最重要的T个单词，作为候选关键词。
• 由上一步得到最重要的T个单词，在原始文本中进行标记，若形成相邻词组，则组合成多词关键词

四、算法实现代码

import jieba  
from collections import defaultdict  
  
def textrank(text, top_k=10):  
    # 分词  
    words = list(jieba.cut(text))  
      
    # 过滤停用词（可选步骤，需要提供停用词列表）  
    # stopwords = set(['的', '了', '在', '是', '我', '有', '和', '就', '不', '人', '都', '一个', '上', '到', '也'])  
    # words = [word for word in words if word not in stopwords]  
      
    # 构建词图  
    graph = defaultdict(set)  
    for i in range(len(words)):  
        for j in range(i+1, len(words)):  
            # 在实际应用中，通常设置一个窗口大小，这里为了简化，直接取相邻的词  
            if j == i + 1:  
                graph[words[i]].add(words[j])  
                graph[words[j]].add(words[i])  
      
    # 初始化权重  
    weights = defaultdict(float)  
    for node in graph:  
        weights[node] = 1.0  
      
    # 迭代传播权重  
    for _ in range(10):  # 迭代次数可以根据需要调整  
        new_weights = defaultdict(float)  
        for node in graph:  
            for neighbor in graph[node]:  
                new_weights[node] += weights[neighbor] / len(graph[neighbor])  
        weights = new_weights  
      
    # 对权重进行排序，提取关键词  
    ranked_words = sorted(weights.items(), key=lambda x: x[1], reverse=True)  
      
    # 输出前top_k个关键词  
    print("Keywords:")  
    for word, weight in ranked_words[:top_k]:  
        print(f"{word}: {weight}")  
  
# 示例文本  
text = "这是一个关于TextRank算法的示例文本，我们将使用这段文本来提取关键词。"  
  
# 调用TextRank函数并输出结果  
textrank(text)

五、算法优缺点

TextRank算法的优点：

• 无监督方式，无需构造数据集训练。
• 算法原理简单且部署简单。
• 继承了PageRank的思想，效果相对较好，相对于TF-IDF方法，可以更充分的利用文本元素之间的关系。

TextRank算法的缺点：

• 结果受分词、文本清洗影响较大，即对于某些停用词的保留与否，直接影响最终结果。
• 虽然与TF-IDF比，不止利用了词频，但是仍然受高频词的影响，因此，需要结合词性和词频进行筛选，以达到更好效果，但词性标注显然又是一个问题。