简介
有一篇很长的文章,我要用计算机提取它的关键词(Automatic Keyphrase extraction),完全不加以人工干预。
一个容易想到的思路,就是找到出现次数最多的词。如果某个词很重要,它应该在这篇文章中多次出现。于是,我们进行”词频”(Term Frequency,缩写为TF)统计。
设计流程
结果你肯定猜到了,出现次数最多的词是”的”、”是”、”在”—-这一类最常用的词。它们叫做”停用词”(stop words),表示对找到结果毫无帮助、必须过滤掉的词。
假设我们把它们都过滤掉了,只考虑剩下的有实际意义的词。这样又会遇到了另一个问题,我们可能发现”中国”、”蜜蜂”、”养殖”这三个词的出现次数一样多。这是不是意味着,作为关键词,它们的重要性是一样的?
显然不是这样。因为”中国”是很常见的词,相对而言,”蜜蜂”和”养殖”不那么常见。如果这三个词在一篇文章的出现次数一样多,有理由认为,”蜜蜂”和”养殖”的重要程度要大于”中国”,也就是说,在关键词排序上面,”蜜蜂”和”养殖”应该排在”中国”的前面。
所以,我们需要一个重要性调整系数,衡量一个词是不是常见词。如果某个词比较少见,但是它在这篇文章中多次出现,那么它很可能就反映了这篇文章的特性,正是我们所需要的关键词。
用统计学语言表达,就是在词频的基础上,要对每个词分配一个”重要性”权重。最常见的词(”的”、”是”、”在”)给予最小的权重,较常见的词(”中国”)给予较小的权重,较少见的词(”蜜蜂”、”养殖”)给予较大的权重。这个权重叫做”逆文档频率”(Inverse Document Frequency,缩写为IDF),它的大小与一个词的常见程度成反比。
知道了”词频”(TF)和”逆文档频率”(IDF)以后,将这两个值相乘,就得到了一个词的TF-IDF值。某个词对文章的重要性越高,它的TF-IDF值就越大。所以,排在最前面的几个词,就是这篇文章的关键词。
算法细节
计算词频(TF)
词频(TF)=某个词在文章中的出现次数 词 频 ( T F ) = 某 个 词 在 文 章 中 的 出 现 次 数
考虑到文章有长短之分,为了便于不同文章的比较,进行词频标准化。
词频(TF)=某个词在文章中的出现次数该文出现次数最多的词出现次数 词 频 ( T F ) = 某 个 词 在 文 章 中 的 出 现 次 数 该 文 出 现 次 数 最 多 的 词 出 现 次 数计算逆文档频率
这时,需要一个语料库,用来模拟语言的使用环境
逆文档频率(IDF)=log(语料库的文档总数包含该词的文档数+1) 逆 文 档 频 率 ( I D F ) = log ( 语 料 库 的 文 档 总 数 包 含 该 词 的 文 档 数 + 1 )
如果一个词越常见,那么分母就越大,逆文档频率就越小越接近 0 0 。分母加是为了避免分母为 0 0 ,即所有文档都不包含该词。计算
TF_IDF=词频(TF)×逆文档频率(IDF) T F _ I D F = 词 频 ( T F ) × 逆 文 档 频 率 ( I D F )
所以,自动提取关键词的算法就很清楚了,就是计算出文档的美国词的 TF_IDF T F _ I D F 值,然后按照降序排列,取排在最前面的几个词。