关于textRank的原理,我这边就不多介绍了,搜一下很多,我也不确定自己是否讲的有那些大佬清楚,我们主要关注在优化点
痛点:
最近在做文章的摘要项目,一天的摘要量估计在300万篇左右,所以直接放弃了seq2seq的生成时摘要方法,主要还是使用深度学习,速度和精度都达不到要求了。采用textrank是一种解决办法
1. 目前使用FastTextRank, 速度上基本达到了要求,
github链接:https://github.com/ArtistScript/FastTextRank
2. 但是我们自己的项目中需求点还有一个,就是很相近的文章需要生成不同的摘要。由于我们自己的文章主要是介绍产品的,所以一篇文章中可能每段的侧重点都不一样,可能是不同的产品。
所以需要对FastTextRank 进行改进
改进点:
直接来看代码:
from FastTextRank.FastTextRank4Sentence import FastTextRank4Sentence
import time
text = """麻省理工学院的研究团队为无人机在仓库中使用RFID技术进行库存查找等工作,创造了一种聪明的新方式。它允许公司使用更小,更安全的无人机在巨型建筑物中找到之前无法找到的东西。
使用RFID标签更换仓库中的条形码,将帮助提升自动化并提高库存管理的准确性。与条形码不同,RFID标签不需要对准扫描,标签上包含的信息可以更广泛和更容易地更改。它们也可以很便宜,尽管有优点,但是它具有局限性,对于跟踪商品没有设定RFID标准,“标签冲突”可能会阻止读卡器同时从多个标签上拾取信号。扫描RFID标签的方式也会在大型仓库内引起尴尬的问题。固定的RFID阅读器和阅读器天线只能扫描通过设定阈值的标签,手持式读取器需要人员出去手动扫描物品。
几家公司已经解决了无人机读取RFID的技术问题。配有RFID读卡器的无人机可以代替库存盘点的人物,并以更少的麻烦更快地完成工作。一个人需要梯子或电梯进入的高箱,可以通过无人机很容易地达到,无人机可以被编程为独立地导航空间,并且他们比执行大规模的重复任务的准确性和效率要比人类更好。
目前市场上的RFID无人机需要庞大的读卡器才能连接到无人机的本身。这意味着它们必须足够大,以支持附加硬件的尺寸和重量,使其存在坠机风险。麻省理工学院的新解决方案,名为Rfly,允许无人机阅读RFID标签,而不用捆绑巨型读卡器。相反,无人机配备了一个微小的继电器,它像Wi-Fi中继器一样。无人机接收从远程RFID读取器发送的信号,然后转发它读取附近的标签。由于继电器很小,这意味着可以使用更小巧的无人机,可以使用塑料零件,可以适应较窄的空间,不会造成人身伤害的危险。
麻省理工学院的Rfly系统本质上是对现有技术的一个聪明的补充,它不仅消除了额外的RFID读取器,而且由于它是一个更轻的解决方案,允许小型无人机与大型无人机做同样的工作。研究团队正在马萨诸塞州的零售商测试该系统。
"""
key_words = ["无人机"]
mod = FastTextRank4Sentence(use_w2v=False, use_stopword=True,
max_iter=100, tol=0.0001,
stop_words_file="stopwords.txt")
print("加载完成")
old_time =time.time()
print(mod.summarize(text, 5, key_words))
print(time.time() - old_time)
FastTextRank 直接调用summarize()方法即可进行测试,我这边没有采用word2vec的方式,word2vec需要自己整理语料,前期先不做。
代码中有个变量就是key_words, 输入的是关键词的集合
然后在summarize()中传入
FastTextRank4Sentence.py:
def summarize(self,text,n, key_words):
text = text.replace('\n', '')
text = text.replace('\r', '')
text = util.as_text(text)#处理编码问题
tokens=util.cut_sentences(text)
#sentences用于记录文章最原本的句子,sents用于各种计算操作
sentences, sents=util.cut_filter_words(tokens,self.__stop_words,self.__use_stopword)
# 改进,如果包含关键词,加大权重
weigth_sentences = []
for _sentence in sentences:
k = 0.5
for _key_word in key_words:
if _key_word in _sentence:
if len(_key_word) < len(sentences):
k += len(sentences) // len(key_words)
else:
k += 1
weigth_sentences.append(k)
if self.__use_w2v:
sents = self.filter_dictword(sents)
graph = self.create_graph_sentence(sents,self.__use_w2v)
scores = util.weight_map_rank(graph,self.__max_iter,self.__tol, weigth_sentences)
sent_selected = nlargest(n, zip(scores, count()))
sent_index = []
for i in range(n):
sent_index.append(sent_selected[i][1]) # 添加入关键词在原来文章中的下标
return [sentences[i] for i in sent_index], sent_index
在summarize()方法中,先统计出关键词在句子中是否出现,出现一次初始权重加一次。添加的规则就是, 当句子中出现了一个关键词,权重 + len(sentences)÷ len(key_words), sentences 表示分好的句子的集合
看图,在weight_map_rank() 中,我们将初始化好的权重传入
util.py:
def weight_map_rank(weight_graph,max_iter,tol, weigth_sentences):
'''
输入相似度的图(矩阵)
返回各个句子的分数
:param weight_graph:
:return:
'''
# 初始分数设置为0.5
#初始化每个句子的分子和老分数
# scores = [0.5 for _ in range(len(weight_graph))]
scores= weigth_sentences
old_scores = [0.0 for _ in range(len(weight_graph))]
denominator = caculate_degree(weight_graph)
# 开始迭代
count=0
while different(scores, old_scores,tol):
for i in range(len(weight_graph)):
old_scores[i] = scores[i]
#计算每个句子的分数
for i in range(len(weight_graph)):
scores[i] = calculate_score(weight_graph,denominator, i) + scores[i]
count+=1
if count>max_iter:
break
return scores
主要改变有2个地方:
第一个地方在
我们将socres 的初始化使用我们自己的权重
第二个地方:
计算scores和的时候,将初始化的权重加上
OK。完成
思想很简单,改动也很简单,效果有待验证,欢迎大家指正。