爬到的数据不处理怎么行？大话TextRank自动关键词与摘要生成

本文由腾讯云+社区自动同步，原文地址 http://blogtest.stackoverflow.club/97/

PageRank是TextRank的核心

PageRank是谷歌发明的，最开始用来计算网页的重要性。整个www可以看作一张有向图图，节点是网页。如果网页A存在到网页B的链接，那么有一条从网页A指向网页B的有向边。

构造完图后，使用下面的公式：

S(Vi)是网页i的中重要性（PR值）。d是阻尼系数，一般设置为0.85。In(Vi)是存在指向网页i的链接的网页集合。Out(Vj)是网页j中的链接存在的链接指向的网页的集合。|Out(Vj)|是集合中元素的个数。

为了更好地理解这个公式，我们可以把阻尼系数设为1，那么S(i) = sum(S(j) / out(j)). 这其实就是一个“分人品”的过程，看看每一个和页面i相邻的边都把多少人品分给了自己。比如页面j人品为5，分出了5个链接，其中一个指向了i，那么页面i从j得到了数值为1的人品。

至于阻尼系数，是为了防止意外发生，如存在一些出链为0，也就是那些不链接任何其他网页的网， 也称为孤立网页。他们的PR值被设定到了一个最小值。

PageRank需要使用上面的公式多次迭代才能得到结果。初始时，可以设置每个网页的重要性为1。上面公式等号左边计算的结果是迭代后网页i的PR值，等号右边用到的PR值全是迭代前的。

使用TextRank提取关键字

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。

使用TextRank提取关键短语

参照“使用TextRank提取关键词”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短语。

例如，在一篇介绍“支持向量机”的文章中，可以找到三个关键词支持、向量、机，通过关键短语提取，可以得到支持向量机。

使用TextRank提取摘要

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。

运行实例

在开源项目地址：https://github.com/letiantian/TextRank4ZH 已经有一个写好的针对中文语料的TextRank，调用示例如下：

对于文本https://raw.githubusercontent.com/letiantian/TextRank4ZH/master/test/doc/01.txt

该算法的输出如下：

参考博客：https://www.letiantian.me/2014-12-01-text-rank/