TF |
您所在的位置：网站首页 › python 生成文本摘要 › TF |
TF
|
自动摘要
有时候，很简单的数学方法，就可以完成很复杂的任务。 这个系列的前两部分就是很好的例子。 仅仅依靠统计词频，就能找出关键词和相似文章。 虽然它们算不上效果最好的方法，但肯定是最简便易行的方法。 今天，依然继续这个主题。讨论如何通过词频，对文章进行自动摘要（Automatic summarization）。 如果能从3000字的文章，提炼出150字的摘要，就可以为读者节省大量阅读时间。由人完成的摘要叫”人工摘要”，由机器完成的就叫”自动摘要”。 许多网站都需要它，比如论文网站、新闻网站、搜索引擎等等。 2007年，美国学者的论文 《A Survey on Automatic Text Summarization》（Dipanjan Das, Andre F.T. Martins, 2007）总结了目前的自动摘要算法。 其中，很重要的一种就是词频统计。 这种方法最早出自1958年的IBM公司科学家H.P. Luhn的论文《The Automatic Creation of Literature Abstracts》。 Luhn博士认为，文章的信息都包含在句子中，有些句子包含的信息多，有些句子包含的信息少。 如何寻找自动摘要“自动摘要”就是要找出那些包含信息最多的句子。 句子的信息量用”关键词”来衡量。如果包含的关键词越多，就说明这个句子越重要。 Luhn提出用”簇”（cluster）表示关键词的聚集。所谓”簇”就是包含多个关键词的句子片段。
上图就是Luhn原始论文的插图，被框起来的部分就是一个”簇”。 只要关键词之间的距离小于”门槛值”，它们就被认为处于同一个簇之中。Luhn建议的门槛值是4或5。也就是说，如果两个关键词之间有5个以上的其他词，就可以把这两个关键词分在两个簇。 分值的计算下一步，对于每个簇，都计算它的重要性分值。 簇的重要性=(包含关键字的数量^2)/簇的长度以前图为例，其中的簇一共有7个词，其中4个是关键词。因此，它的重要性分值等于 ( 4 x 4 ) / 7 = 2.3。 然后，找出包含分值最高的簇的句子（比如5句），把它们合在一起，就构成了这篇文章的自动摘要。 具体实现可以参见 《Mining the Social Web: Analyzing Data from Facebook, Twitter, LinkedIn, and Other Social Media Sites》（O’Reilly, 2011）一书的第8章，python代码见 github。 算法的简化Luhn的这种算法后来被简化，不再区分”簇”，只考虑句子包含的关键词。 下面就是一个例子（采用伪码表示），只考虑关键词首先出现的句子。 Summarizer(originalText, maxSummarySize): // 计算原始文本的词频，生成一个数组，比如[(10,'the'), (3,'language'), (8,'code')...] wordFrequences = getWordCounts(originalText) // 过滤掉停用词，数组变成[(3, 'language'), (8, 'code')...] contentWordFrequences = filtStopWords(wordFrequences) // 按照词频进行排序，数组变成['code', 'language'...] contentWordsSortbyFreq = sortByFreqThenDropFreq(contentWordFrequences) // 将文章分成句子 sentences = getSentences(originalText) // 选择关键词首先出现的句子 setSummarySentences = {} foreach word in contentWordsSortbyFreq: firstMatchingSentence = search(sentences, word) setSummarySentences.add(firstMatchingSentence) if setSummarySentences.size() = maxSummarySize: break // 将选中的句子按照出现顺序，组成摘要 summary = "" foreach sentence in sentences: if sentence in setSummarySentences: summary = summary + " " + sentence return summary类似的算法已经被写成了工具，比如基于Java的Classifier4J库的SimpleSummariser模块、基于C语言的OTS库、以及基于classifier4J的C#实现和python实现。 个人收获这些算法都可以归结到 segment 框架中，便于统一使用。 后期直接放在 jieba 分词实现 项目中即可。 文本样式目录+关键词+自动摘要 同义词+敏感词+相似度（无法实现，手中没有大量的文档） 拓展阅读前缀树 Trie Tree 算法 Regex 与 DFA 算法 分词算法 关键词提取算法 摘要生成算法 相似度分析算法 倒排索引 参考资料TF-IDF与余弦相似性的应用（一）：相似性判断 自动摘要 如何寻找自动摘要 分值的计算 算法的简化 个人收获 文本样式 拓展阅读 参考资料 更多学习 个人 Github 个人公众号更多实时资讯，前沿技术，生活趣事。尽在【老马啸西风】 交流社群：[交流群信息](https://mp.weixin.qq.com/s/rkSvXxiiLGjl3S-ZOZCr0Q)
|
【本文地址】
今日新闻 |
推荐新闻 |