TextRank4ZH

TextRank算法可以用来从文本中提取关键词和摘要(重要的句子)。TextRank4ZH是针对中文文本的TextRank算法的python算法实现。

安装

方式1：

$ python setup.py install --user

方式2：

$ sudo python setup.py install

方式3：

$ pip install textrank4zh --user

方式4：

$ sudo pip install textrank4zh

Python 3下需要将上面的python改成python3，pip改成pip3。

卸载

$ pip uninstall textrank4zh

依赖

jieba >= 0.35

numpy >= 1.7.1

networkx >= 1.9.1

兼容性

在Python 2.7.9和Python 3.4.3中测试通过。

原理

TextRank的详细原理请参考：

Mihalcea R, Tarau P. TextRank: Bringing order into texts[C]. Association for Computational Linguistics, 2004.

关键词提取

将原文本拆分为句子，在每个句子中过滤掉停用词(可选)，并只保留指定词性的单词(可选)。由此可以得到句子的集合和单词的集合。

每个单词作为pagerank中的一个节点。设定窗口大小为k，假设一个句子依次由下面的单词组成：

w1, w2, w3, w4, w5, ..., wn

w1, w2, ..., wk、w2, w3, ...,wk+1、w3, w4, ...,wk+2等都是一个窗口。在一个窗口中的任两个单词对应的节点之间存在一个无向无权的边。

基于上面构成图，可以计算出每个单词节点的重要性。最重要的若干单词可以作为关键词。

关键短语提取

参照关键词提取提取出若干关键词。若原文本中存在若干个关键词相邻的情况，那么这些关键词可以构成一个关键词组。

例如，在一篇介绍支持向量机的文章中，可以找到关键词支持、向量、机，通过关键词组提取，可以得到支持向量机。

摘要生成

将每个句子看成图中的一个节点，若两个句子之间有相似性，认为对应的两个节点之间有一个无向有权边，权值是相似度。

通过pagerank算法计算得到的重要性最高的若干句子可以当作摘要。

示例

example/example01.py:

#-*- encoding:utf-8 -*-

from __future__ import print_function

import sys

try:

reload(sys)

sys.setdefaultencoding('utf-8')

except:

pass

import codecs

from textrank4zh import TextRank4Keyword, TextRank4Sentence

text = codecs.open('../test/doc/01.txt', 'r', 'utf-8').read()

tr4w = TextRank4Keyword()

tr4w.analyze(text=text, lower=True, window=2) # py2中text必须是utf8编码的str或者unicode对象，py3中必须是utf8编码的bytes或者str对象

print( '关键词：' )

for item in tr4w.get_keywords(20, word_min_len=1):

print(item.word, item.weight)

print()

print( '关键短语：' )

for phrase in tr4w.get_keyphrases(keywords_num=20, min_occur_num= 2):

print(phrase)

tr4s = TextRank4Sentence()

tr4s.analyze(text=text, lower=True, source = 'all_filters')

print()

print( '摘要：' )

for item in tr4s.get_key_sentences(num=3):

print(item.index, item.weight, item.sentence) # index是语句在文本中位置，weight是权重

运行结果如下：

关键词：

媒体 0.02155864734852778

高圆圆 0.020220281898126486

微 0.01671909730824073

宾客 0.014328439104001788

赵又廷 0.014035488254875914

答谢 0.013759845912857732

谢娜 0.013361244496632448

现身 0.012724133346018603

记者 0.01227742092899235

新人 0.01183128428494362

北京 0.011686712993089671

博 0.011447168887452668

展示 0.010889176260920504

捧场 0.010507502237123278

礼物 0.010447275379792245

张杰 0.009558332870902892

当晚 0.009137982757893915

戴 0.008915271161035208

酒店 0.00883521621207796

外套 0.008822082954131174

关键短语：

微博

摘要：

摘要：

0 0.0709719557171 中新网北京12月1日电(记者 张曦) 30日晚，高圆圆和赵又廷在京举行答谢宴，诸多明星现身捧场，其中包括张杰(微博)、谢娜(微博)夫妇、何炅(微博)、蔡康永(微博)、徐克、张凯丽、黄轩(微博)等

6 0.0541037236415 高圆圆身穿粉色外套，看到大批记者在场露出娇羞神色，赵又廷则戴着鸭舌帽，十分淡定，两人快步走进电梯，未接受媒体采访

27 0.0490428312984 记者了解到，出席高圆圆、赵又廷答谢宴的宾客近百人，其中不少都是女方的高中同学

使用说明

类TextRank4Keyword、TextRank4Sentence在处理一段文本时会将文本拆分成4种格式：

sentences：由句子组成的列表。

words_no_filter：对sentences中每个句子分词而得到的两级列表。

words_no_stop_words：去掉words_no_filter中的停止词而得到的二维列表。

words_all_filters：保留words_no_stop_words中指定词性的单词而得到的二维列表。

例如，对于：

这间酒店位于北京东三环，里面摆放很多雕塑，文艺气息十足。答谢宴于晚上8点开始。

#-*- encoding:utf-8 -*-

from __future__ import print_function

import codecs

from textrank4zh import TextRank4Keyword, TextRank4Sentence

import sys

try:

reload(sys)

sys.setdefaultencoding('utf-8')

except:

pass

text = "这间酒店位于北京东三环，里面摆放很多雕塑，文艺气息十足。答谢宴于晚上8点开始。"

tr4w = TextRank4Keyword()

tr4w.analyze(text=text, lower=True, window=2)

print()

print('sentences:')

for s in tr4w.sentences:

print(s) # py2中是unicode类型。py3中是str类型。

print()

print('words_no_filter')

for words in tr4w.words_no_filter:

print('/'.join(words)) # py2中是unicode类型。py3中是str类型。

print()

print('words_no_stop_words')

for words in tr4w.words_no_stop_words:

print('/'.join(words)) # py2中是unicode类型。py3中是str类型。

print()

print('words_all_filters')

for words in tr4w.words_all_filters:

print('/'.join(words)) # py2中是unicode类型。py3中是str类型。

运行结果如下：

sentences:

这间酒店位于北京东三环，里面摆放很多雕塑，文艺气息十足

答谢宴于晚上8点开始

words_no_filter

这/间/酒店/位于/北京/东三环/里面/摆放/很多/雕塑/文艺/气息/十足

答谢/宴于/晚上/8/点/开始

words_no_stop_words

间/酒店/位于/北京/东三环/里面/摆放/很多/雕塑/文艺/气息/十足

答谢/宴于/晚上/8/点

words_all_filters

酒店/位于/北京/东三环/摆放/雕塑/文艺/气息

答谢/宴于/晚上

API

TODO.

类的实现、函数的参数请参考源码注释。

License