实战关键词提取

我要把人生变成科学的梦，然后再把梦变成现实。——居里夫人

关键词是代表文章重要内容的一组词，在文献检索、自动文摘、文本聚类/分类等方面有着重要的应用。现实中大量的文本不包含关键词，这使得便捷得获取文本信息更困难，所以自动提取关键词技术具有重要的价值和意义。

关键词提取分类

有监督

无监督

有监督虽然精度高，但需要维护一个内容丰富的词表，需要大量的标注数据，人工成本过高。

无监督不需要标注数据，因此这类算法在关键词提取领域应用更多。比如TF-IDF算法、TextRank算法和主题模型LDA算法等。

TF-IDF（Term Frequency - Inverse document Frequency）是一种基于统计的计算方法，常用于反映一个词对于语料中某篇文档的重要性。

TF是词频(Term Frequency)，IDF是逆文本频率指数(Inverse document Frequency)。TF-IDF 的主要思想就是：如果某个词在一篇文档中出现的频率高，也即 TF 高；并且在语料库中其他文档中很少出现，即DF低，也即IDF高，则认为这个词具有很好的类别区分能力。

TF 为词频（Term Frequency），表示词 t 在文档 d 中出现的频率，计算公式：

其中，分子是该词在文件中的出现次数，而分母则是在文件中所有字词的出现次数之和。

IDF 为逆文档频率（Inverse document Frequency），表示语料库中包含词 t 的文档的数目的倒数，计算公式：

其中，|D|：语料库中的文件总数，|{j:ti∈dj}| 包含词 ti 的文件数目，如果该词语不在语料库中，就会导致被除数为零，因此一般情况下使用 1+|{j:ti∈dj}|。

然后再计算TF与IDF的乘积：

因此，TF-IDF倾向于过滤掉常见的词语，保留重要的词语。比如：有些词“的”，“了”，“地”等出现在每篇文章中都比较多，但是不具有区分文章类别的能力。

TextRank算法脱离语料库，仅对单篇文档进行分析就可以提取该文档的关键词，此算法最早应用于文档的自动摘要，基于句子维度的分析，利用TextRank对每个句子进行打分，挑选出分数最高的n个句子作为文档的关键句，以达到自动摘要的效果。

TextRank基本思想来源于Google创始人拉里·佩奇和谢尔盖·布林1997年构建的PageRank算法。核心思想将文本中的词看作图中的节点，通过边相互连接，这里就形成了图，不同的节点会有不同的权重，权重高的节点可以作为关键词。

PageRank思想：

链接数量。一个网页被越多的其他网页链接，说明这个网页越重要。

链接质量。一个网页被一个越高权重的网页链接，也能表明这个网页越重要。

TextRank用PageRank的思想来解释它：

一个单词被很多单词指向的话，则说明这个单词比较重要。

一个单词被很高TextRank值的单词指向，则这个单词的TextRank值会相应地提高。

公式如下：

TextRank中一个单词i的权重取决于在i相连的各个点j组成的(j,i)这条边的权重，以及j这个点到其他边的权重之和，阻尼系数 d 一般取 0.85。

TextRank关键词提取步骤：

把给定的文本按照完整句子进行分割。

对每个句子，进行分词和词性标注处理，并过滤掉停用词，只保留指定词性的单词，如名词、动词等。

构建关键词图 G = (V,E)，其中V 为节点集，由步骤2中生成的候选关键词组成，然后采用共现关系构造任两点之间的边，两个节点之间存在边仅当它们对应的词汇在长度为 K 的窗口中共现，K 表示窗口大小。

根据TextRank公式，迭代收敛，选出权重topK个词为关键词。

由步骤4得到最重要的k个单词，在原始文本中进行标记，若形成相邻词组，则组合成多词关键词。

大多数情况，TF-IDF算法和TextRank算法就能满足，但某些场景不能从字面意思提取出关键词，比如：一篇讲健康饮食的，里面介绍了各种水果、蔬菜等对身体的好处，但全篇未显式的出现健康二字，这种情况前面的两种算法显然不能提取出健康这个隐含的主题信息，这时候主题模型就派上用场了。

LDA（隐含狄利克雷分布）是由David Blei等人在2003年提出的，理论基础为贝叶斯理论，LDA根据词的共现信息的分析，拟合出词——文档——主题的分布，进而将词、文本都映射到一个语义空间中。

jieba 已经实现了基于 TF-IDF 算法的关键词抽取，如下：

2. jieba也已经实现了基于 TextRank算法的关键词抽取，如下：
3. 通过 Gensim 库完成基于 LDA 的关键字提取，如下：