关键词抽取 (KeywordsExtractionBatchOp)

Java 类名：com.alibaba.alink.operator.batch.nlp.KeywordsExtractionBatchOp

Python 类名：KeywordsExtractionBatchOp

功能介绍

从每行文本中抽取与文本意义最相关的若干词语。

算法原理

组件支持两种抽取关键词的方法：基于 TextRank 和基于 TF-IDF。

TextRank

TextRank 受到网页间关系的 PageRank 算法启发，利用局部词汇之间关系（共现窗口）构建图，计算词的重要性，选取权重大的作为关键词。

在构建的图中，每个词语对应一个节点 $V_{.}$。
两个不同的词语 $i, j$ 只要在同一个窗口中共同出现过，对应节点间就存在两条有向边 $e_{ij}$ 和 $e_{ji}$，权重分别为 1，即 $w_{ij} = w_{ji} = 1$。

每个节点初始重要性值 $WS(V_{*}) = \frac{1}{|Out(V_{*})|}$，并按照下面公式进行迭代更新直至收敛：

$$WS(V_i) = (1 - d) + d * \Sigma_{V_j\in In(V_i)} \frac{w_{ji}}{\Sigma_{V_k\in Out(V_i)}w_{jk} }WS(V_j).$$

其中，d 是阻尼系数。

TF-IDF

同时考虑所有文本，计算每个词语的 TF-IDF 值。然后在每行文本中，选取最大的若干个作为关键词。

使用方式

文本列通过参数 selectedCol 指定，需要是空格分隔的词语。文本列可以使用分词（SegmentBatchOp）组件的输出结果列，同时也可以在之前接入停用词过滤（StopWordsRemoverBatchOp）组件去掉常见的高频词。

使用的提取方法通过参数 method 在指定，提取的关键词数目通过参数 topN 指定。

当使用基于 TextRank 的方法时，需要设置窗口大小 windowSize、最大迭代步数 maxIter、收敛阈值 epsilon 和阻尼稀疏 dampingFactor。

使用基于 TF-IDF 的方法不需要指定其他参数。

文献索引

TextRank：https://web.eecs.umich.edu/~mihalcea/papers/mihalcea.emnlp04.pdf

TF-IDF：https://en.wikipedia.org/wiki/Tf%E2%80%93idf

参数说明

名称	中文名称	描述	类型	是否必须？	取值范围	默认值
selectedCol	选中的列名	计算列对应的列名	String	✓	所选列类型为 [STRING]
dampingFactor	阻尼系数	阻尼系数	Double			0.85
epsilon	收敛阈值	收敛阈值	Double			1.0E-6
maxIter	最大迭代步数	最大迭代步数，默认为 100	Integer		x >= 1	100
method	抽取关键词的方法	抽取关键词的方法，支持TF_IDF和TEXT_RANK	String		“TEXT_RANK”, “TF_IDF”	“TEXT_RANK”
outputCol	输出结果列	输出结果列列名，可选，默认null	String			null
topN	前N的数据	挑选最近的N个数据	Integer		x >= 1	10
windowSize	窗口大小	窗口大小	Integer		x >= 1	2

代码示例

Python 代码

df = pd.DataFrame([
    [0, u'二手旧书:医学电磁成像'],
    [1, u'二手美国文学选读（ 下册 ）李宜燮南开大学出版社 9787310003969'],
    [2, u'二手正版图解象棋入门/谢恩思主编/华龄出版社'],
    [3, u'二手中国糖尿病文献索引'],
    [4, u'二手郁达夫文集（ 国内版 ）全十二册馆藏书']
])

inOp1 = BatchOperator.fromDataframe(df, schemaStr='id int, text string')
inOp2 = StreamOperator.fromDataframe(df, schemaStr='id int, text string')

segment = SegmentBatchOp().setSelectedCol("text").linkFrom(inOp1)
remover = StopWordsRemoverBatchOp().setSelectedCol("text").linkFrom(segment)
keywords = KeywordsExtractionBatchOp().setSelectedCol("text").setMethod("TF_IDF").setTopN(3).linkFrom(remover)
keywords.print()

segment2 = SegmentStreamOp().setSelectedCol("text").linkFrom(inOp2)
remover2 = StopWordsRemoverStreamOp().setSelectedCol("text").linkFrom(segment2)
keywords2 = KeywordsExtractionStreamOp().setSelectedCol("text").setTopN(3).linkFrom(remover2)
keywords2.print()
StreamOperator.execute()

Java 代码

import org.apache.flink.types.Row;

import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.nlp.KeywordsExtractionBatchOp;
import com.alibaba.alink.operator.batch.nlp.SegmentBatchOp;
import com.alibaba.alink.operator.batch.nlp.StopWordsRemoverBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.operator.stream.StreamOperator;
import com.alibaba.alink.operator.stream.nlp.KeywordsExtractionStreamOp;
import com.alibaba.alink.operator.stream.nlp.SegmentStreamOp;
import com.alibaba.alink.operator.stream.nlp.StopWordsRemoverStreamOp;
import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
import org.junit.Test;

import java.util.Arrays;
import java.util.List;

public class KeywordsExtractionBatchOpTest {
	@Test
	public void testKeywordsExtractionBatchOp() throws Exception {
		List <Row> df = Arrays.asList(
			Row.of(0, "二手旧书:医学电磁成像"),
			Row.of(1, "二手美国文学选读（ 下册 ）李宜燮南开大学出版社 9787310003969"),
			Row.of(2, "二手正版图解象棋入门/谢恩思主编/华龄出版社"),
			Row.of(3, "二手中国糖尿病文献索引"),
			Row.of(4, "二手郁达夫文集（ 国内版 ）全十二册馆藏书")
		);
		BatchOperator <?> inOp1 = new MemSourceBatchOp(df, "id int, text string");
		StreamOperator <?> inOp2 = new MemSourceStreamOp(df, "id int, text string");
		BatchOperator <?> segment = new SegmentBatchOp().setSelectedCol("text").linkFrom(inOp1);
		BatchOperator <?> remover = new StopWordsRemoverBatchOp().setSelectedCol("text").linkFrom(segment);
		BatchOperator <?> keywords =
			new KeywordsExtractionBatchOp().setSelectedCol("text").setMethod("TF_IDF").setTopN(
				3).linkFrom(remover);
		keywords.print();
		StreamOperator <?> segment2 = new SegmentStreamOp().setSelectedCol("text").linkFrom(inOp2);
		StreamOperator <?> remover2 = new StopWordsRemoverStreamOp().setSelectedCol("text").linkFrom(segment2);
		StreamOperator <?> keywords2 = new KeywordsExtractionStreamOp().setSelectedCol("text").setTopN(3).linkFrom(
			remover2);
		keywords2.print();
		StreamOperator.execute();
	}
}

运行结果

批运行结果

text	id
索引糖尿病文献	3
旧书成像医学	0
李宜燮 9787310003969 美国	1
华龄思谢恩	2
国内十二册书	4

流运行结果

id	text
3	中国文献糖尿病
4	郁达夫馆藏文集
0	旧书电磁医学
1	美国出版社文学
2	正版华龄图解

ALinkLab