TF-IDF与余弦相似性的应用(三):自动摘要

作者: 阮一峰

日期: 2013年3月26日

有时候,很简单的数学方法,就可以完成很复杂的任务。

这个系列的前两部分就是很好的例子。仅仅依靠统计词频,就能找出关键词相似文章。虽然它们算不上效果最好的方法,但肯定是最简便易行的方法。

今天,依然继续这个主题。讨论如何通过词频,对文章进行自动摘要(Automatic summarization)。

如果能从3000字的文章,提炼出150字的摘要,就可以为读者节省大量阅读时间。由人完成的摘要叫"人工摘要",由机器完成的就叫"自动摘要"。许多网站都需要它,比如论文网站、新闻网站、搜索引擎等等。2007年,美国学者的论文《A Survey on Automatic Text Summarization》(Dipanjan Das, Andre F.T. Martins, 2007)总结了目前的自动摘要算法。其中,很重要的一种就是词频统计。

这种方法最早出自1958年的IBM公司科学家H.P. Luhn的论文《The Automatic Creation of Literature Abstracts》

Luhn博士认为,文章的信息都包含在句子中,有些句子包含的信息多,有些句子包含的信息少。"自动摘要"就是要找出那些包含信息最多的句子。

句子的信息量用"关键词"来衡量。如果包含的关键词越多,就说明这个句子越重要。Luhn提出用"簇"(cluster)表示关键词的聚集。所谓"簇"就是包含多个关键词的句子片段。

上图就是Luhn原始论文的插图,被框起来的部分就是一个"簇"。只要关键词之间的距离小于"门槛值",它们就被认为处于同一个簇之中。Luhn建议的门槛值是4或5。也就是说,如果两个关键词之间有5个以上的其他词,就可以把这两个关键词分在两个簇。

下一步,对于每个簇,都计算它的重要性分值。

以前图为例,其中的簇一共有7个词,其中4个是关键词。因此,它的重要性分值等于 ( 4 x 4 ) / 7 = 2.3。

然后,找出包含分值最高的簇的句子(比如5句),把它们合在一起,就构成了这篇文章的自动摘要。具体实现可以参见《Mining the Social Web: Analyzing Data from Facebook, Twitter, LinkedIn, and Other Social Media Sites》(O'Reilly, 2011)一书的第8章,python代码见github

Luhn的这种算法后来被简化,不再区分"簇",只考虑句子包含的关键词。下面就是一个例子(采用伪码表示),只考虑关键词首先出现的句子。

  Summarizer(originalText, maxSummarySize):

    // 计算原始文本的词频,生成一个数组,比如[(10,'the'), (3,'language'), (8,'code')...]
    wordFrequences = getWordCounts(originalText)

    // 过滤掉停用词,数组变成[(3, 'language'), (8, 'code')...]
    contentWordFrequences = filtStopWords(wordFrequences)

    // 按照词频进行排序,数组变成['code', 'language'...]
    contentWordsSortbyFreq = sortByFreqThenDropFreq(contentWordFrequences)

    // 将文章分成句子
    sentences = getSentences(originalText)

    // 选择关键词首先出现的句子
    setSummarySentences = {}
    foreach word in contentWordsSortbyFreq:
      firstMatchingSentence = search(sentences, word)
      setSummarySentences.add(firstMatchingSentence)
      if setSummarySentences.size() = maxSummarySize:
        break

    // 将选中的句子按照出现顺序,组成摘要
    summary = ""
    foreach sentence in sentences:
      if sentence in setSummarySentences:
        summary = summary + " " + sentence

    return summary

类似的算法已经被写成了工具,比如基于Java的Classifier4J库的SimpleSummariser模块、基于C语言的OTS库、以及基于classifier4J的C#实现python实现

(完)

珠峰培训

码云

留言(13条)

好文,但比前两篇难懂些,有个实例就好了。

哎,这个网站居然还在!
我大学时代就在这个网站上读卡尔维诺了!
都是很好的书!
还在真是太激动了!

站主,你又微博了嘛?

“门槛值”是指“阈值”么?

基于Java的Classifier4J库的SimpleSummariser模块
-- 这个载了源码,看了很山寨,没有真正实现博客中的算法。。。。

Summly 程序用的是这个算法吗?

http://dapenti.org/blog/more.asp?name=xilei&id=75132

classifier4J的C#实现,C#的连接无法访问,可否更新下载连接,或者发下代码到我邮箱,十分感谢

貌似吴军在数学之美的黑板报中都描述了有关算法,还有起源。

嗯 思想很好。就像《数学之美》中所说,很多有效的算法思想都很简单。

统计应用貌似很广 语言翻译也依赖于词频统计 楼主可以来个这方面的文章。嘿嘿

阮推荐点书,或是网站吧。

阮哥,有没什么比较好的自动打Tag 的工具,Tag 跟关键词相似但还是有些不同的,一直没找到比较好的相关工具和paper。

复杂的数学算法,标书得如此简单易懂。大牛,多出美文!期待。。。

最近想根据上面的算法,实现一个自动摘要,做搜索引擎项目需要。但是不知道用什么比较好的方法实现把中文文章分成句子。
我的想法是这样:把文章中的所有“句号”,“感叹号”,“问好”替换成空格,然后再使用字符串流读取每一句(遇到空格算一句),添加到vector的sentences容器中,然后再对每一个关键字遍历sentences数组做string.find("keyword"),若找到则把该句子压到一个装摘要句子的容器vector的summary;当summary的大小到达摘要的上限的时候,跳出循环。将summary中的句子进行拼接,形成摘要,返回。

我使用if(originalTxt[i]=='。'||originalTxt[i]=='!'||originalTxt[i]=='?')
originalTxt[i] = ' ';
但是这样会后警告,所以这一部分想请教阮先生。

我要发表看法

«-必填

«-必填,不公开

«-我信任你,不会填写广告链接