关键词提取算法TextRank

好久之前，我用过TFIDF作过行业关键词提取。TFIDF仅仅从词的统计信息出发，而没有充分考虑词之间的语义信息。如今本文将介绍一种考虑了相邻词的语义关系、基于图排序的关键词提取算法TextRank。

1. 介绍

TextRank由Mihalcea与Tarau于EMNLP'04 [1]提出来，其思想很是简单：经过词之间的相邻关系构建网络，而后用PageRank迭代计算每一个节点的rank值，排序rank值便可获得关键词。PageRank原本是用来解决网页排名的问题，网页之间的连接关系即为图的边，迭代计算公式以下：

\[ PR(V_i) = (1-d) + d * \sum_{j \in In(V_i)} \frac{1}{|Out(V_j)|}PR(V_j) \]

其中，\(PR(V_i)\)表示结点\(V_i\)的rank值，\(In(V_i)\)表示结点\(V_i\)的前驱结点集合，\(Out(V_j)\)表示结点\(V_j\)的后继结点集合，\(d\)为damping factor用于作平滑。

网页之间的连接关系能够用图表示，那么怎么把一个句子（能够看做词的序列）构建成图呢？TextRank将某一个词与其前面的N个词、以及后面的N个词均具备图相邻关系（相似于N-gram语法模型）。具体实现：设置一个长度为N的滑动窗口，全部在这个窗口以内的词都视做词结点的相邻结点；则TextRank构建的词图为无向图。下图给出了由一个文档构建的词图（去掉了停用词并按词性作了筛选）：

考虑到不一样词对可能有不一样的共现（co-occurrence），TextRank将共现做为无向图边的权值。那么，TextRank的迭代计算公式以下：

\[ WS(V_i) = (1-d) + d * \sum_{j \in In(V_i)} \frac{w_{ji}}{\sum_{V_k \in Out(V_j)} w_{jk}} WS(V_j) \]

2. 评估

接下来将评估TextRank在关键词提取任务上的准确率、召回率与F1-Measure，并与TFIDF作对比；准确率计算公式以下：

\[ Precision = \frac{1}{N} \sum_{i=0}^{N-1} \frac{\left|P_i \cap T_i\right|}{\left|P_i\right|} \]

其中，\(N\)为文档数量，\(P_i\)为文档\(i\)所提取出的关键词，\(T_i\)为文档的标注关键词。召回率与F1的计算公式以下：

\[ Recall = \frac{1}{N} \sum_{i=0}^{N-1} \frac{\left|P_i \cap T_i\right|}{\left|T_i\right|} \]

\[ F1 = \frac{2*Precision*Recall}{Precision + Recall} \]

测试集是由刘知远老师提供的网易新闻标注数据集，共有13702篇文档。Jieba完整地实现了关键词提取TFIDF与TextRank算法，基于Jieba-0.39的评估实验代码以下：

import jieba.analyse
import json
import codecs


def precision_recall_fscore_support(y_true, y_pred):
    """
    evaluate macro precision, recall and f1-score.
    """
    doc_num = len(y_true)
    p_macro = 0.0
    r_macro = 0.0
    for i in range(doc_num):
        tp = 0
        true_len = len(y_true[i])
        pred_len = len(y_pred[i])
        for w in y_pred[i]:
            if w in y_true[i]:
                tp += 1
        p = 1.0 if pred_len == 0 else tp / pred_len
        r = 1.0 if true_len == 0 else tp / true_len
        p_macro += p
        r_macro += r
    p_macro /= doc_num
    r_macro /= doc_num
    return p_macro, r_macro, 2 * p_macro * r_macro / (p_macro + r_macro)


file_path = 'data/163_chinese_news_dataset_2011.dat'
with codecs.open(file_path, 'r', 'utf-8') as fr:
    y_true = []
    y_pred = []
    for line in fr.readlines():
        d = json.loads(line)
        content = d['content']
        true_key_words = [w for w in set(d['tags'])]
        y_true.append(true_key_words)
        # for w in true_key_words:
        #     jieba.add_word(w)
        key_word_pos = ['x', 'ns', 'n', 'vn', 'v', 'l', 'j', 'nr', 'nrt', 'nt', 'nz', 'nrfg', 'm', 'i', 'an', 'f', 't',
                        'b', 'a', 'd', 'q', 's', 'z']
        extract_key_words = jieba.analyse.extract_tags(content, topK=2, allowPOS=key_word_pos)
        # trank = jieba.analyse.TextRank()
        # trank.span = 5
        # extract_key_words = trank.textrank(content, topK=2, allowPOS=key_word_pos)
        y_pred.append(extract_key_words)
    prf = precision_recall_fscore_support(y_true, y_pred)
    print('precision: {}'.format(prf[0]))
    print('recall: {}'.format(prf[1]))
    print('F1: {}'.format(prf[2]))

其中，每一个文档提取的关键词数为2，并按词性作过滤；span表示TextRank算法中的滑动窗口的大小。评估结果以下：

方法	Precision	Recall	F1-Measure
TFIDF	0.2697	0.2256	0.2457
TextRank span=5	0.2608	0.2150	0.2357
TextRank span=7	0.2614	0.2155	0.2363

若是将标注关键词添加到自定义词典，则评估结果以下：

方法	Precision	Recall	F1-Measure
TFIDF	0.3145	0.2713	0.2913
TextRank span=5	0.2887	0.2442	0.2646
TextRank span=7	0.2903	0.2455	0.2660

直观感觉下关键词提取结果（添加了自定义词典）：

// TFIDF, TextRank, labelled
['文强', '陈洪刚'] ['文强', '陈洪刚'] {'文强', '重庆'}
['内贾德', '伊朗'] ['伊朗', '内贾德'] {'制裁', '世博', '伊朗'}
['调控', '王珏林'] ['调控', '楼市'] {'楼市', '调控'}
['罗平县', '男子'] ['男子', '罗平县'] {'被砍', '副局长', '情感纠葛'}
['佟某', '黄玉'] ['佟某', '黄现忠'] {'盲井', '伪造矿难'}
['女生', '聚众淫乱'] ['女生', '聚众淫乱'] {'聚众淫乱', '东莞', '不雅视频'}
['马英九', '和平协议'] ['马英九', '推动'] {'国台办', '马英九', '和平协议'}
['东帝汶', '巡逻艇'] ['东帝汶', '中国'] {'东帝汶', '军舰', '澳大利亚'}
['墨西哥', '警方'] ['墨西哥', '袭击'] {'枪手', '墨西哥', '打死'}

从上述两组实验结果，能够发现：

• TextRank与TFIDF均严重依赖于分词结果——若是某词在分词时被切分红了两个词，那么在作关键词提取时没法将两个词黏合在一块儿（TextRank有部分黏合效果，但须要这两个词均为关键词）。所以是否添加标注关键词进自定义词典，将会形成准确率、召回率截然不同。
• TextRank的效果并不优于TFIDF。
• TextRank虽然考虑到了词之间的关系，可是仍然倾向于将频繁词做为关键词。

此外，因为TextRank涉及到构建词图及迭代计算，因此提取速度较慢。

3. 参考资料

[1] Rada, Mihalcea, and Paul Tarau. "TextRank: Bringing Order into Texts." empirical methods in natural language processing (2004): 404-411.