TextRank

TextRank与PageRank

TextRank的灵感来源于大名鼎鼎的PageRank算法，这是一个用作网页重要度排序的算法。

这个算法是基于图的，每个网页可以看作是一个图中的结点，如果网页A能够跳转到网页B，那么则有一条A->B的有向边。这样，我们就可以构造出一个有向图了。然后，利用公式：

经过多次迭代就可以获得每个网页对应的权重。下面是公式每个元素的含义：

可以发现，这个方法只要构造好图，对应关系自然就有了，这实际上是一个比较通用的算法。那么对于文本来说也是同样的，只要我们能够构造出一个图，图中的结点是单词/句子，只要我们通过某种方法定义这些结点存在某种关系，那么我们就可以使用上面的算法，得到一篇文章中的关键词/摘要。

使用TextRank提取关键词

提取关键词，可以采取和“网页中选哪个网页比较重要”类似的方法，只需要想办法把图构建出来。

图的结点是“单词”。把文章拆成句子，每个句子再拆成单词，以单词为结点。

那么边如何定义呢？这里就可以利用n-gram的思路，简单来说，某个单词，只与它附近的n个单词有关，即与它附近的n个词对应的结点连一条无向边（两个有向边）。

另外，还可以做一些操作，比如把某类词性的词删掉，一些自定义词删掉，只保留一部分单词，只有这些词之间能够连边。
 

使用TextRank提取文章摘要

提取文章摘要以句子为结点。计算两个句子的相似度来定义边。似度的公式：

简单来说就是，两个句子单词的交集除以两个句子的长度。然后还有一点就是，其他计算相似度的方法应该也是可行的，比如余弦相似度，最长公共子序列之类的，不过论文里一笔带过了。