中文摘要提取方法（一）

One: TextRank（extract keywords and extract abstract）

• TextRank 算法是一种用于文本的基于图的排序算法，用来提取文本关键词与摘要。其基本思想来源于谷歌的 PageRank算法, 通过把文本分割成若干组成单元(单词、句子)并建立图模型, 利用投票机制对文本中的重要成分进行排序, 仅利用单篇文档本身的信息即可实现关键词提取、文摘。下面先介绍PageRank*算法。*
  

• S(Vi)表示网页i的重要性即PR值，d是阻尼系数（确保当一个网页没有链接指向它时，也有一定PR值），经验一般设置为0.85，In(Vi)是包含指向网页i的链接的网页集合。Out(Vj)是网页j中指向其他网页的链接的集合，S(Vj)代表网页j的PR值。所以对于一个网页，它的重要性取决于到它的每个链接页面的重要性之和，每个链接到该网页的页面的PR值S(Vj)同时还需要对其他的页面贡献评分，所以除以了|Out(Vj)|。另外，网页的重要性不单单由链接网页决定，还包含一定的概率要不要接受其他网页的重要性评价，这也就是d的作用。

• 初始时，可以将各个网页的重要性值设置为1，PageRank经过多次迭代最终得到结果。公式左边代表迭代后的网页PR值，等号右边的是迭代前的PR值。

• TextRank提取关键词：
  
  该公式跟PageRank基本相似，其中多了一个重要参数Wji，用来代表两个节点间的重要程度。算法流程如下：将给定的文本分割成句子，T=[S1,S2,…,Sm],然后对每个句子进行分词，得到Si=[pi1，pi2，…，pin]，构建词图。设定窗口大小为k，[p1,p2,…,pk][p2,p3,…,pk+1]等都是一个个的窗口，在一个窗口中如果两个单词同时出现，则认为对应单词节点间存在一个边。根据这个思想和公式迭代传播词图中的各节点权重，直至收敛。最后对节点权重进行排序，从而得到最重要的几个单词作为候选关键词。若提取出来的若干关键词在文本中相邻，则构成一个关键短语。

• TextRank生成摘要：
  
  

  • 将文本中的每个句子看做一个节点，如果两个句子有相似性，则认为两个句子对应的节点之间存在一条无向有权边。句子相似度的计算式子如上所示，Si、Sj两个句子，Wk代表句子中的单词，那么分子代表同时出现在两个句子中的单词的个数，分母是对句子中单词个数求对数之和。分母使用对数可以抵消长句子在相似度计算上的优势(长句子包含相同单词的可能性更高)。根据以上相似度公式循环迭代计算得到任意两个节点之间的相似度，构建节点连接图，最后计算PR值，经排序选出PR值最高的的节点对应的句子作为摘要。

• 核心代码（参考 pytextrank 1.1.0）

在这里插入代码片

• 代码实现参考：

https://pypi.org/project/pytextrank/
https://github.com/SciEvan/TextRank4ZH
https://github.com/summanlp/textrank

参考：

1. 深度学习提取文本摘要
2. 文本摘要中的NLP技术
3. NLP—TextRank算法获取文本关键词和摘要
4. TextRank
5. Automatic summarization
6. The PageRank Citation Ranking:Bringing Order to the Web
7. TextRank: Bringing Order into Texts
8. TextRank
9. 基于TextRank的关键词、短语、摘要提取