/text-rank

textrank 提取文章摘要与结果优化

Primary LanguagePythonMIT LicenseMIT

简单介绍

这里的代码主要是采用text-rank算法计算文本摘要,另外优势在于引入了词向量和权重倾斜
使得文章摘要提取效果得到了非常显著的提升。

注意

注意:由于github文件有大小限制,这里没有上传完整的词向量模型,所以无法直接运行,需要补充textrank4zh/word_model目录中的数据。
如果有需要,可在我的百度网盘下载,或者自己训练放入textrank4zh/word_model文件夹。

链接: https://pan.baidu.com/s/1o9RlASq 密码: 4kug

依赖

jieba >= 0.35  
numpy >= 1.7.1  
networkx >= 1.9.1
gensim

兼容性

适用于Python 2.7,已经测试过

原理

关于原理以及本代码实现的效果优化可见我上传的论文 《text-rank提取文章摘要与结果优化.doc》
阅读完对使用有很大的帮助

使用方式

python ceshi.py n
直接在代码目录执行 python ceshi.py n (n就是我们要生成的摘要的句数)

ceshi.py 只是提供了使用的范例,打印出摘要结果,具体可以自己修改。

说明:

(1) 这里使用的词向量是基于自己在基维百科进行的语料训练,生成的 60 维。
如果有更好的词向量,可以自行替换

(2) 在ceshi.py 中加入了倾斜因子,倾斜因子是针对不同文章的处理。取值范围 (0,1],具体说明如下:
我们知道,对于不同类别的文章,结构会很不一样,如果说散文,那么往往中心**只有一个,且段落之间相对联系紧密,都是体现一个**,描述一个问题。
这种情况下,我们不采用权重倾斜也是没太大问题。
但是,针对于那种新闻,资讯类的文章,往往并不体现一个主题,并且段落之间联系可能不是那么紧密,但是段落本身结构更紧凑,往往会在段落开始就一针见血。
如果我们还采用相似度作为句子与句子之间的链接关系,往往获取的摘要不是那么理想。
针对这种文章,同时又考虑到通用性。我们可以加入一个加权因子,即对每个段落的段首做适当的加权,往后逐渐衰减,呈梯度模型。

在ceshi.py 有一个 decay_rate 参数,取值 (0,1],值越小,倾斜越大,默认为 1 代表无任何倾斜,可处理一般文章。
(在context目录中,有很多文章可供测试,里面比如 0003 是一般性散文,这时可设decay_rate = 1.0)

当需要处理咨询,新闻类比较结构紧凑的文章时,我们就加入适当的倾斜因子,一般设成0.8-0.9即可。这样的模型更加通用且实用。
(我们可以用context目录中0015是金融咨询测试,当生成摘要时,取 decay_rate = 0.8 比 1.0 时效果好很多)