WikiRank论文解读

WikiRank: Improving Keyphrase Extraction Based on Background Knowledge

WikiRank简介

WikiRank是2018年提出来的，作者认为背景知识可以提供文档的有价值信息，但是它们很少呗应用到关键词抽取任务中来。作者为此提出一种基于维基百科为背景知识的关键词抽取算法。先按照常规，对文档进行分词来构建词图，然后将将关键词抽取任务看成是图的优化问题。作者最后获得2%的F1-score的提升。

WikiRank思想

WikiRank主要是在TopicRank的基础上继续修改，填补TopicRank的不足之处。TopicRank采用了主题式关键字抽取（来覆盖文档的主题信息），使用LDA算法来提取文档的顶部主题，然后将每个主题下的候选关键词分数相加，来得到最后某个主题的总体得分。TopicRank也存在两个缺点：1、主题太过笼统；2、因为采用的是LDA算法对文档主题进行提取，只能对其进行简单的分类，而不知道确切的主题意思，这样就存在很大的问题（一词多义问题）。为此作者针对以上问题提出了基于背景信息的WikiRank算法，来提升关键词抽取的效果。并且作者将其转化为一个最有化求解问题，极大地减小了剪枝计算的复杂度。

OverGeneration Errors（过度生成错误）：关键词中某个字可能在很多文档中出现了，所以和这个关键字组成的短语可能将会被作为候选关键字被选中。但是这样也会存在很大的问题，因为有些词如“cattle（牛）”在一个文档中出现了很多次，可能文档中的"British cattle"将不被划分为关键词，但是其他词"cattle industry"、“cattle feed”、"cattle brain"将可能作为候选关键词。这将会导致准确率降低。（出现这个问题的原因在于，无监督关键词抽取多个词的关键字得分等于单个词得分之和。在监督学习中也常用单字图作为特征来提取关键词）

Redundancy errors（冗余错误）：输出关键词出现相同意思的词。

Infrequency errors（罕见错误）：不能识别出现次数较少的关键词。

WikiRank实现

实现步骤可以总结为三个点：

1. 构建一个语义图，包含文档概念和关键词。
2. 使用启发式方式对图进行剪枝，来过滤掉错误生成的候选词。
3. 生成最佳的候选词集合作为输出。

TAGME来获取文档的底层概念，是一个强大的主题注释器，能够识别出短文本中句子和它相关的Wikipedia页面，其实也就是词的补充信息。这些信息有利于寻找词与词之间的相关性、分类和聚类。

图1 wikipedia对文档进行信息补充

生成候选关键词使用一个标准的POS标注器，候选词通常遵循以下模板
$$(JJ)\ast (NN|NNS|NNP|NNPS)$$
其中$JJ$代表的是形容词，$NN$，$NNS$，$NNP$，$NNPS$都是代表一些名词组成形式。

构建语义图，这个图不像常规的词图一样。该图结点不仅仅只有词还存在一些语义概念(concept)，组成了图的所有结点。如果该词通过$TAGME$可以得到这个concept，那么这个concept和这个词就存在变得连接关系。

具体每个概念的计算得分如下所示：

图2 候选关键词生成算法

剪枝算法过程：

1. 去除候选关键词$p$从原始的图$G$上，如果它不存在任何的concept连接。
2. 去除关键词$p$从原始的图$G$上，如果它连接到的文档仅存在一次，并且只有一个concept。
3. 去除关键词$p$从原始的图$G$上，如果一个concept连接超过$m$个关键词，$p$将满足以下两个条件之一：A、没有和其他concept相连（仅仅与该concept连接）；B、得分太低，低于得分第$m$个词的得分。

WikiRank实验

数据集：DUC-2001、Inspec、NUS Keyphrase Corpus、ISCI Meeting Corpus。

实验结果如下表所示：

表1 各种不同算法实验的得分结果