NLP关键字提取之TextRank算法

今天看了一下HanLP框架的关键字提取的算法，总的来说很简单，就是互相计算词频的一个算法。

谈起自动摘要算法，常见的并且最易实现的当属TF-IDF，但是感觉TF-IDF效果一般，不如TextRank好。

TextRank是在Google的PageRank算法启发下，针对文本里的句子设计的权重算法，目标是自动摘要。它利用投票的原理，让每一个单词给它的邻居（术语称窗口）投赞成票，票的权重取决于自己的票数。这是一个“先有鸡还是先有蛋”的悖论，PageRank采用矩阵迭代收敛的方式解决了这个悖论。TextRank也不例外：

• PageRank的计算公式：
  

• 正规的TextRank公式：
  正规的TextRank公式在PageRank的公式的基础上，引入了边的权值的概念，代表两个句子的相似度。
  
  但是很明显我只想计算关键字，如果把一个单词视为一个句子的话，那么所有句子（单词）构成的边的权重都是0（没有交集，没有相似性），所以分子分母的权值w约掉了，算法退化为PageRank。所以说，这里称关键字提取算法为PageRank也不为过。

另外，如果你想提取关键句（自动摘要）的话，请参考姊妹篇《TextRank算法自动摘要的Java实现》。

TextRank的Java实现

先看看测试数据：

程序员(英文Programmer)是从事程序开发、维护的专业人员。一般将程序员分为程序设计人员
和程序编码人员，但两者的界限并不非常清楚，特别是在中国。软件从业人员分为初级程序员、
高级程序员、系统分析员和项目经理四大类。

我取出了百度百科关于“程序员”的定义作为测试用例，很明显，这段定义的关键字应当是“程序员”并且“程序员”的得分应当最高。

首先对这句话分词，这里可以借助各种分词项目，比如HanLP分词，得出分词结果：

[程序员/n, (, 英文/nz, programmer/en, ), 是/v, 从事/v, 程序/n, 开发/v, 、/w, 
维护/v, 的/uj, 专业/n, 人员/n, 。/w, 一般/a, 将/d, 程序员/n, 分为/v, 程序/n, 
设计/vn, 人员/n, 和/c, 程序/n, 编码/n, 人员/n, ，/w, 但/c, 两者/r, 的/uj, 界
限/n, 并/c, 不/d, 非常/d, 清楚/a, ，/w, 特别/d, 是/v, 在/p, 中国/ns, 。/w, 软
件/n, 从业/b, 人员/n, 分为/v, 初级/b, 程序员/n, 、/w, 高级/a, 程序员/n, 、/w, 
系统/n, 分析员/n, 和/c, 项目/n, 经理/n, 四/m, 大/a, 类/q, 。/w]

然后去掉里面的停用词，这里我去掉了标点符号、常用词、以及“名词、动词、形容词、副词之外的词”。得出实际有用的词语：

[程序员, 英文, 程序, 开发, 维护, 专业, 人员, 程序员, 分为, 程序, 设计, 人员, 程
序, 编码, 人员, 界限, 特别, 中国, 软件, 人员, 分为, 程序员, 高级, 程序员, 系统, 
分析员, 项目, 经理]

之后建立两个大小为5的窗口，每个单词将票投给它身前身后距离5以内的单词：

{开发=[专业, 程序员, 维护, 英文, 程序, 人员],
 软件=[程序员, 分为, 界限, 高级, 中国, 特别, 人员],
 程序员=[开发, 软件, 分析员, 维护, 系统, 项目, 经理, 分为, 英文, 程序, 专业, 设计, 高级, 人员, 中国],
 分析员=[程序员, 系统, 项目, 经理, 高级],
 维护=[专业, 开发, 程序员, 分为, 英文, 程序, 人员],
 系统=[程序员, 分析员, 项目, 经理, 分为, 高级],
 项目=[程序员, 分析员, 系统, 经理, 高级],
 经理=[程序员, 分析员, 系统, 项目],
 分为=[专业, 软件, 设计, 程序员, 维护, 系统, 高级, 程序, 中国, 特别, 人员],
 英文=[专业, 开发, 程序员, 维护, 程序],
 程序=[专业, 开发, 设计, 程序员, 编码, 维护, 界限, 分为, 英文, 特别, 人员],
 特别=[软件, 编码, 分为, 界限, 程序, 中国, 人员],
 专业=[开发, 程序员, 维护, 分为, 英文, 程序, 人员],
 设计=[程序员, 编码, 分为, 程序, 人员],
 编码=[设计, 界限, 程序, 中国, 特别, 人员],
 界限=[软件, 编码, 程序, 中国, 特别, 人员],
 高级=[程序员, 软件, 分析员, 系统, 项目, 分为, 人员],
 中国=[程序员, 软件, 编码, 分为, 界限, 特别, 人员],
 人员=[开发, 程序员, 软件, 维护, 分为, 程序, 特别, 专业, 设计, 编码, 界限, 高级, 中国]}

然后开始迭代投票(java实现)：

 for (int i = 0; i < max_iter; ++i)
 {
        Map<String, Float> m = new HashMap<String, Float>();
        float max_diff = 0;
        for (Map.Entry<String, Set<String>> entry : words.entrySet())
        {
            String key = entry.getKey();
            Set<String> value = entry.getValue();
            m.put(key, 1 - d);
            for (String other : value)
            {
                int size = words.get(other).size();
                if (key.equals(other) || size == 0) continue;
                m.put(key, m.get(key) + d / size * (score.get(other) == null ? 0 : score.get(other)));
            }
            max_diff = Math.max(max_diff, Math.abs(m.get(key) - (score.get(key) == null ? 0 : score.get(key))));
        }
        score = m;
        if (max_diff <= min_diff) break;
    }

排序后的投票结果：

[程序员=1.9249977,
人员=1.6290349,
分为=1.4027836,
程序=1.4025855,
高级=0.9747374,
软件=0.93525416,
中国=0.93414587,
特别=0.93352026,
维护=0.9321688,
专业=0.9321688,
系统=0.885048,
编码=0.82671607,
界限=0.82206935,
开发=0.82074183,
分析员=0.77101076,
项目=0.77101076,
英文=0.7098714,
设计=0.6992446,
经理=0.64640945]

程序员果然荣登榜首，并且分数也有区分度，嗯，勉勉强强。

本文参考自TextRank算法提取关键词的Java实现、HanLP