关键词提取算法之RAKE

最新推荐文章于 2024-08-03 21:59:14 发布
最新推荐文章于 2024-08-03 21:59:14 发布
阅读量1.2w 收藏 26
点赞数 3
分类专栏： NLP 文章标签： 算法 关键词提取
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_29003925/article/details/80943689
版权
RAKE算法是一种快速的关键词提取方法，由Alyona Medelyan提出。它通过分词、构建共现矩阵、提取特征并计算score来确定关键词。在英文文本中效果良好，但在中文文本中由于分词问题，效果不理想。算法简单高效，能提取包括短语在内的关键词。
摘要由CSDN通过智能技术生成

关键词提取算法之RAKE

RAKE(Rapid Automatic Keyword Extraction)算法，作者Alyona Medelyan，她的GitHub上有很多关键字提取的项目。

RAKE算法的亮点在于“R” : Rapid , 快速却能取得很不错的效果。

作者的思路大致是：
1）.分词。在提取英文关键词中，给定一篇英文文档，以标点符号及停用词作为分词标准；
2）.共现矩阵。 构建共现矩阵;
3）.特征提取。包含词频freq、度deg 以及度与频率之比 deg/freq 三个特征;
4）.定义score。score = deg/freq
5）.降序输出。 按score大小降序输出1/3文档词汇量的关键词。

其中，提取特征后有个特殊处理，对于相邻的关键词，如果满足同一文档和相同顺序中至少两次相邻，则进行合并，成为新的候选关键词后，score 定义为合并前的候选关键词score之和。这样操作的原因是，这些相邻候选关键词相对较少，简单对score相加，增加了它们的重要性。

引用原论文的栗子：
测试文本

分词后
分词结果
共现矩阵

最低0.47元/天 解锁文章
Atakey
关注
专栏目录
RAKE关键词提取python代码
02-28
RAKE关键词提取python代码，python源码RAKE关键词提取python代码，python源码
引领自动关键词提取的Python利器：python-rake
gitblog_00024的博客
06-20 298
引领自动关键词提取的Python利器：python-rake 项目地址:https://gitcode.com/fabianvf/python-rake 在这个数据爆炸的时代，信息的提炼和关键知识点的提取变得尤为重要。正是基于这样的需求，我们为您推荐了一个强大的Python模块——python-rake，一个快速自动关键词提取（RAKE）算法的实现。这个开源项目源自2010年的科研成果，并由@an...
NLP从零开始------7基础文本处理之关键词提取
最新发布
m0_74922316的博客
08-03 1274
基于当前文档，在3种模型中，TF-IDF模型的结果较好，其次是TextRank算法，最后是LSI模型。LSI模型是较早期的主题模型，存在诸多不足之处，因此用于提取关键词时效果不太理想，相较之下TF-IDF算法和TextRank算法结果会比较好。由于提取关键词时，有些词语在文档中出现的频次、词性等信息比较接近，因此提取关键词时出现的概率很有可能一样，多次运行程序时，关键词出现顺序会往前或往后改变。
【NLP基础】英文关键词抽取RAKE算法
zenRRan的博客
08-19 1692
每天给你送来NLP技术干货！来自：ChallengeHub1RAKE简介RAKE英文全称为Rapid Automatic keyword extraction，中文称为快速自动关键字提取，是一种非常高效的关键字提取算法，可对单个文档进行操作，以实现对动态集合的应用，也可非常轻松地应用于新域，并且在处理多种类型的文档时也非常有效。2算法思想RAKE算法用来做关键词(keyword)的提取，实际上提取...
RAKE-tutorial, 一种快速自动关键词提取的python 实现.zip
10-10
RAKE-tutorial, 一种快速自动关键词提取的python 实现 RAKE快速自动关键字提取( 耙) 算法的python 实现，如下所述： ，S，Engel，D，，N，& Cowley，W 。 ( 2010 ) 从单个文档中自动提取关键字。 在M 。W 。& 。 Kogan ( eds
RAKE-无监督英文关键词提取算法
Flying_sfeng的博客
11-16 2097
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：
英文关键词提取之RAKE算法
Think
04-08 4083
转载自https://zhikaizhang.cn/ RAKE算法是由2010年的论文Automatic keyword extraction from individual documents提出的，比TextRank算法效果更好，原repository链接是https://github.com/aneesha/RAKE，已经很久没有维护了，本文重新整理了代码，做了以下3个工作： 使其支持...
rake算法学习
baidu_15113429的博客
03-06 3011
关键词提取算法有TF-IDF,主题模型和RAKE算法，RAKE算法在短文本关键字提取方面有不错的效果。RAKE算法学习
短文本关键词提取算法RAKE & TextRank及改进
热门推荐
吴祺育的技术记录
09-15 2万+
最近做的一个项目是短文本关键词提取（twitter， linkedin post），这里主要用到了两个算法，一个是TextRank， 一个是RAKE，总的来说，这两个算法思路上差别很大，但对于短文本的关键词提取来说，RAKE算法效果更为明显。TextRank 介绍　TextRank 算法是一种用于文本的基于图的排序算法。其基本思想来源于谷歌的 PageRank算法, 通过把文本分割成若干组成单元(单
KeyBert、TextRank等九种本文关键词提取算法（KPE）原理及代码实现
Python，数据分析，机器学习，深度学习
05-10 9439
关键词提取 (Keyphrase Extraction，KPE) 任务可以自动提取文档中能够概括核心内容的短语，有利于下游信息检索和 NLP 任务。当前，由于对文档进行标注需要耗费大量资源且缺乏大规模的关键词提取数据集，无监督的关键词提取在实际应用中更为广泛。无监督关键词抽取的state of the art（SOTA）方法是对候选词和文档标识之间的相似度进行排序来选择关键词。但由于候选词和文档序列长度之间的差异导致了关键短语候选和文档的表征不匹配，导致以往的方法在长文档上的性能不佳，无法充分利用预训练模型
rakeAgent:快速自动关键字提取（RAKE）算法的Python实现
05-23
耙代理 快速自动关键字提取（RAKE）算法的Python实现，如以下所述：Rose，S.，Engel，D.，Cramer，N.，＆Cowley，W.（2010）。 自动从各个文档中提取关键字。 在MW Berry＆J. Kogan（编辑）的《文本挖掘：理论与应用：John Wiley＆Sons》中。 使用其他功能进行了优化，并使其与Python 3.0兼容。 源代码是根据MIT许可证发布的。
中文分词+自动提取关键字
04-13
1：中文分词 2：词频统计 3：罗列出要自动提取的关键字 ---------------------------------------- 具有60 万字/秒的高速处理能力。
python提取内容关键词的方法
09-22
主要介绍了python提取内容关键词的方法,适用于英文关键词的提取,非常具有实用价值,需要的朋友可以参考下
rake详解（清晰）
08-16
rake详解
基于Halcon，鸟叔的spoke和rake函数
11-26
机器视觉学习，halcon ,鸟叔封装的找边合找圆函数，很详细，做项目必备，省去很多麻烦
【评论内容关键词提取】多种主流提取算法与大模型测试
吴秋霖的博客
09-21 1万+
使用多种主流关键词算法、情感分析工具、大语言模型对评论内容关键词进行分析提取
RAKE（快速自动关键字抽取）算法原理与实现
qq_45041871的博客
09-02 1473
RAKE算法原理与实现
RAKE 中文分词 与 关键词提取
南七小僧的学海无涯
10-10 4309
import jieba import jieba.posseg as pseg import operator import json from collections import Counter # Data structure for holding data class Word(): def __init__(self, char, freq = 0, deg = 0):...
python 关键词提取
03-31
Python关键词提取是一种自然语言处理技术，用于从文本中自动提取关键词。它可以帮助人们快速了解文本内容，并从大量文本中挖掘出重要信息。Python中有多种方法可以进行关键词提取，例如： 1. TF-IDF（词频-逆文档频率）：这是一种常用的关键词提取方法，它根据单词在文本中出现的频率和在整个文本集合中出现的频率来计算单词的重要性。 2. TextRank：这是一种基于图论的关键词提取方法，它将文本中的单词作为节点，根据它们之间的相互关系构建图，然后通过迭代算法计算每个节点的重要性。 3. LDA（潜在狄利克雷分配）：这是一种主题建模方法，它可以将文本中的单词归为不同的主题，然后提取每个主题的关键词。 4. RAKE（快速自动关键词提取）：这是一种基于文本中的关键词和短语之间的共现频率计算重要性的方法。 通过使用这些方法，Python可以很容易地提取文本中的关键词，并且可以根据不同的应用场景进行调整和优化。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值