關鍵詞提取算法-TextRank

　　今天要介紹的TextRank是一種用來作關鍵詞提取的算法，也能夠用於提取短語和自動摘要。由於TextRank是基於PageRank的，因此首先簡要介紹下PageRank算法。

1.PageRank算法

　　PageRank設計之初是用於Google的網頁排名的，以該公司創辦人拉里·佩奇（Larry Page）之姓來命名。Google用它來體現網頁的相關性和重要性，在搜索引擎優化操做中是常常被用來評估網頁優化的成效因素之一。PageRank經過互聯網中的超連接關係來肯定一個網頁的排名，其公式是經過一種投票的思想來設計的：若是咱們要計算網頁A的PageRank值（如下簡稱PR值），那麼咱們須要知道有哪些網頁連接到網頁A，也就是要首先獲得網頁A的入鏈，而後經過入鏈給網頁A的投票來計算網頁A的PR值。這樣設計能夠保證達到這樣一個效果：當某些高質量的網頁指向網頁A的時候，那麼網頁A的PR值會由於這些高質量的投票而變大，而網頁A被較少網頁指向或被一些PR值較低的網頁指向的時候,A的PR值也不會很大，這樣能夠合理地反映一個網頁的質量水平。那麼根據以上思想，佩奇設計了下面的公式：

該公式中，V_i表示某個網頁，V_j表示連接到Vi的網頁（即V_i的入鏈），S(V_i)表示網頁V_i的PR值，In(V_i)表示網頁V_i的全部入鏈的集合,Out(V_j)表示網頁，d表示阻尼係數，是用來克服這個公式中「d *」後面的部分的固有缺陷用的：若是僅僅有求和的部分，那麼該公式將沒法處理沒有入鏈的網頁的PR值，由於這時，根據該公式這些網頁的PR值爲0，但實際狀況卻不是這樣，全部加入了一個阻尼係數來確保每一個網頁都有一個大於0的PR值，根據實驗的結果，在0.85的阻尼係數下，大約100屢次迭代PR值就能收斂到一個穩定的值，而當阻尼係數接近1時，須要的迭代次數會陡然增長不少，且排序不穩定。公式中S(V_j)前面的分數指的是V_j全部出鏈指向的網頁應該平分V_j的PR值，這樣纔算是把本身的票分給了本身連接到的網頁。

 2.1 TextRank算法提取關鍵詞

　　TextRank是由PageRank改進而來，其公式有頗多類似之處，這裏給出TextRank的公式：

能夠看出，該公式僅僅比PageRank多了一個權重項W_ji，用來表示兩個節點之間的邊鏈接有不一樣的重要程度。TextRank用於關鍵詞提取的算法以下：

　　1)把給定的文本T按照完整句子進行分割，即

　　2)對於每一個句子，進行分詞和詞性標註處理，並過濾掉停用詞，只保留指定詞性的單詞，如名詞、動詞、形容詞，即，其中 t_i,j 是保留後的候選關鍵詞。

　　3)構建候選關鍵詞圖G = (V,E)，其中V爲節點集，由（2）生成的候選關鍵詞組成，而後採用共現關係（co-occurrence）構造任兩點之間的邊，兩個節點之間存在邊僅當它們對應的詞彙在長度爲K的窗口中共現，K表示窗口大小，即最多共現K個單詞。

　　4)根據上面公式，迭代傳播各節點的權重，直至收斂。

　　5)對節點權重進行倒序排序，從而獲得最重要的T個單詞，做爲候選關鍵詞。

　　6)由5獲得最重要的T個單詞，在原始文本中進行標記，若造成相鄰詞組，則組合成多詞關鍵詞。

2.2 TextRank算法提取關鍵詞短語

　　提取關鍵詞短語的方法基於關鍵詞提取，能夠簡單認爲：若是提取出的若干關鍵詞在文本中相鄰，那麼構成一個被提取的關鍵短語。

2.3TextRank生成摘要

　　將文本中的每一個句子分別看作一個節點，若是兩個句子有類似性，那麼認爲這兩個句子對應的節點之間存在一條無向有權邊。考察句子類似度的方法是下面這個公式：

公式中，S_i,S_j分別表示兩個句子，W_k表示句子中的詞，那麼分子部分的意思是同時出如今兩個句子中的同一個詞的個數，分母是對句子中詞的個數求對數之和。分母這樣設計能夠遏制較長的句子在類似度計算上的優點。

咱們能夠根據以上類似度公式循環計算任意兩個節點之間的類似度，根據閾值去掉兩個節點之間類似度較低的邊鏈接，構建出節點鏈接圖，而後計算TextRank值，最後對全部TextRank值排序，選出TextRank值最高的幾個節點對應的句子做爲摘要。

參考 http://blog.csdn.net/u013041398/article/details/52473994