基于TextRank的关键词提取实现

一.基于TextRank的关键词提取步骤

基于TextRank的关键词提取是一种基于图的排序算法，以下是基于TextRank的关键词提取的步骤：

1.文本预处理：
    清洗文本数据，去除无关字符、标点符号、停用词等。
    进行分词，将文本划分为单独的词语。

2.构建图（图的节点和边）：
    将文本中的词语作为图的节点。根据词语之间的共现关系构建边。通常可以选择在一个窗口内共同出现的词语之间建立边。
	这一步的具体操作包括以下几个阶段：
	
	2.1 分词： 将文本进行分词，将文本拆分为一个个独立的词语。
	
	2.2 窗口建立共现关系： 设定一个窗口大小，遍历文本中的词语。
	在每个窗口内，窗口内的词语被认为是共现的。
	窗口的大小可以根据具体任务和文本特点来调整。
	
	2.3 建立图的节点和边：将文本中的每个词语作为图的节点。
    对于在窗口内共现的词语，为它们之间建立一条边。
    这样，如果两个词在同一个窗口内同时出现，它们之间就有一条边。
	例如，考虑以下文本： "TextRank is an algorithm for keyword extraction." 分词后得到词语序列 ["TextRank", "is", "an", "algorithm", "for", "keyword", "extraction"]。
	如果设置窗口大小为2，就会得到以下边的关系：
	("TextRank", "is"), 
	("TextRank", "an"), 
	("is", "an"), 
	("is", "algorithm"), 
	("an", "algorithm"), 
	("an", "for"), 
	("algorithm", "for"), 
	("algorithm", "keyword"), 
	("for", "keyword"), 
	("for", "extraction"), 
	("keyword", "extraction")
	在这里，每个词语对应一个节点，窗口内共现的词语之间构建边。
	这样，通过窗口内的共现关系，就建立了图的节点和边，为后续的TextRank算法提供了基础。
	在TextRank的迭代过程中，节点之间的权重将根据共现关系进行调整，最终得到关键词的排序。
	
	2.4 计算节点之间的权重：为图中的每个节点计算权重。
	通常使用词语之间的共现次数或者其他相关度作为权重。
	
	2.5 利用TextRank算法进行迭代：
    初始化节点的权重。
    迭代更新节点的权重，直到收敛。TextRank的更新公式类似于PageRank算法，涉及到节点之间的传播和权重的调整。

	2.6 根据节点的权重排序：
    根据节点的权重值进行排序，选择排名靠前的词作为关键词。

	2.7 提取关键词：
    根据排序后的节点，选择排名靠前的词作为关键词。
    可以根据需求选择提取的关键词数量。

整个流程涉及到图的构建和基于图的算法进行迭代，TextRank考虑了词语之间的关系，具有一定的上下文信息，因此在关键词提取中较为有效。这种基于图的关键词提取方法不仅可以应用于单一文档，还可以用于多篇文档的关键词提取，提高了对文本的整体理解。

二.基于TextRank的关键词提取的代码实现

textrank基本代码实现：

概念可以参考:https://zhuanlan.zhihu.com/p/359232044
很详细

import networkx as nx
from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords
from nltk import pos_tag

# 示例文本
text = "TextRank is an algorithm for keyword extraction. It is based on graph theory and used for ranking words in a text."

# 分词和词性标注
def preprocess_text(text):
    words = word_tokenize(text)
    words = [word.lower() for word in words if word.isalpha()]  # 去除非字母字符
    words = [word for word in words if word not in stopwords.words("english")]  # 去除停用词
    words_pos = pos_tag(words)  # 获取词性标注
    return words_pos

# 构建共现图
def build_graph(words_pos):
    G = nx.Graph()
    G.add_nodes_from(set(words_pos))
    for i in range(len(words_pos)-1):
        for j in range(i+1, len(words_pos)):
            if words_pos[i][1] == words_pos[j][1]:  # 仅考虑同一词性的词语
                if not G.has_edge(words_pos[i], words_pos[j]):
                    G.add_edge(words_pos[i], words_pos[j], weight=1)
                else:
                    G[words_pos[i]][words_pos[j]]['weight'] += 1
    return G

# TextRank算法
def textrank(G, max_iter=100, tol=1e-4, damping_factor=0.85):
    nodes = list(G.nodes)
    n = len(nodes)
    p = {node: 1 / n for node in nodes}
    for _ in range(max_iter):
        new_p = {node: (1 - damping_factor) / n + damping_factor * sum(G[neighbor][node]['weight'] * p[neighbor] / sum(G[neighbor][neighbor2]['weight'] for neighbor2 in G.neighbors(neighbor)) for neighbor in G.neighbors(node)) for node in nodes}
        if sum(abs(new_p[node] - p[node]) for node in nodes) < tol:
            break
        p = new_p
    return p

# 获取关键词
def get_keywords(text, top_n=5):
    words_pos = preprocess_text(text)
    G = build_graph(words_pos)
    scores = textrank(G)
    sorted_scores = sorted(scores.items(), key=lambda x: x[1], reverse=True)
    keywords = [word[0][0] for word in sorted_scores[:top_n]]
    return keywords

# 输出关键词
keywords = get_keywords(text)
print("Keywords:", keywords)

官方给出的代码：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from __future__ import absolute_import, unicode_literals
import sys
from operator import itemgetter
from collections import defaultdict
import jieba.posseg
from .tfidf import KeywordExtractor
from .._compat import *


class UndirectWeightedGraph:
    d = 0.85

    def __init__(self):
        self.graph = defaultdict(list)

    def addEdge(self, start, end, weight):
        # use a tuple (start, end, weight) instead of a Edge object
        self.graph[start].append((start, end, weight))
        self.graph[end].append((end, start, weight))

    def rank(self):
        ws = defaultdict(float)
        outSum = defaultdict(float)

        wsdef = 1.0 / (len(self.graph) or 1.0)
        for n, out in self.graph.items():
            ws[n] = wsdef
            outSum[n] = sum((e[2] for e in out), 0.0)

        # this line for build stable iteration
        sorted_keys = sorted(self.graph.keys())
        for x in xrange(10):  # 10 iters
            for n in sorted_keys:
                s = 0
                for e in self.graph[n]:
                    s += e[2] / outSum[e[1]] * ws[e[1]]
                ws[n] = (1 - self.d) + self.d * s

        (min_rank, max_rank) = (sys.float_info[0], sys.float_info[3])

        for w in itervalues(ws):
            if w < min_rank:
                min_rank = w
            if w > max_rank:
                max_rank = w

        for n, w in ws.items():
            # to unify the weights, don't *100.
            ws[n] = (w - min_rank / 10.0) / (max_rank - min_rank / 10.0)

        return ws


class TextRank(KeywordExtractor):

    def __init__(self):
        self.tokenizer = self.postokenizer = jieba.posseg.dt
        self.stop_words = self.STOP_WORDS.copy()
        self.pos_filt = frozenset(('ns', 'n', 'vn', 'v'))
        self.span = 5

    def pairfilter(self, wp):
        return (wp.flag in self.pos_filt and len(wp.word.strip()) >= 2
                and wp.word.lower() not in self.stop_words)

    def textrank(self, sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'), withFlag=False):
        """
        Extract keywords from sentence using TextRank algorithm.
        Parameter:
            - topK: return how many top keywords. `None` for all possible words.
            - withWeight: if True, return a list of (word, weight);
                          if False, return a list of words.
            - allowPOS: the allowed POS list eg. ['ns', 'n', 'vn', 'v'].
                        if the POS of w is not in this list, it will be filtered.
            - withFlag: if True, return a list of pair(word, weight) like posseg.cut
                        if False, return a list of words
        """
        self.pos_filt = frozenset(allowPOS)
        g = UndirectWeightedGraph()
        cm = defaultdict(int)
        words = tuple(self.tokenizer.cut(sentence))
        for i, wp in enumerate(words):
            if self.pairfilter(wp):
                for j in xrange(i + 1, i + self.span):
                    if j >= len(words):
                        break
                    if not self.pairfilter(words[j]):
                        continue
                    if allowPOS and withFlag:
                        cm[(wp, words[j])] += 1
                    else:
                        cm[(wp.word, words[j].word)] += 1

        for terms, w in cm.items():
            g.addEdge(terms[0], terms[1], w)
        nodes_rank = g.rank()
        if withWeight:
            tags = sorted(nodes_rank.items(), key=itemgetter(1), reverse=True)
        else:
            tags = sorted(nodes_rank, key=nodes_rank.__getitem__, reverse=True)

        if topK:
            return tags[:topK]
        else:
            return tags

    extract_tags = textrank

下面是使用封装好的代码实现的：

# coding=utf-8
import pandas as pd
import jieba.analyse
# 处理标题和摘要，提取关键词
def words_textrank(data, topK):
    idList, titleList, abstractList = data['id'], data['title'], data['abstract']
    ids, titles, keys = [], [], []
    for index in range(len(idList)):
        # 拼接标题和摘要
        text = '%s。%s' % (titleList[index], abstractList[index])
        jieba.analyse.set_stop_words("data/stopWord.txt") # 加载自定义停用词表
        print("\"", titleList[index], "\"", " 10 Keywords - TextRank :")
        # TextRank关键词提取，词性筛选
        keywords = jieba.analyse.textrank(text, topK=topK,
            allowPOS=('n', 'nz', 'v','vd', 'vn','l', 'a', 'd'))
        word_split = " ".join(keywords)
        keys.append(word_split.encode("utf-8").decode("utf-8"))
        ids.append(idList[index])
        titles.append(titleList[index])
    result = pd.DataFrame({"id": ids, "title": titles, "key": keys}, columns=['id', 'title', 'key'])
    return result
if __name__ == '__main__':
    dataFile = 'data/text.csv'
    data = pd.read_csv(dataFile)
    result = words_textrank(data, 10)
    result.to_csv("result/textrank.csv", index=False)