关键词抽取 (KeywordsExtractionStreamOp)

Java 类名:com.alibaba.alink.operator.stream.nlp.KeywordsExtractionStreamOp

Python 类名:KeywordsExtractionStreamOp

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

流式关键词提取基于 TextRank 算法。
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。

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(SegmentStreamOp)组件的输出结果列,同时也可以在之前接入停用词过滤(StopWordsRemoverStreamOp)组件去掉常见的高频词。

基于 TextRank 的方法,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。

文献索引

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

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 [1, +inf) 100
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 [1, +inf) 10
windowSize 窗口大小 窗口大小 Integer [1, +inf) 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 KeywordsExtractionStreamOpTest {
	@Test
	public void testKeywordsExtractionStreamOp() 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
中国 索引 文献 3
电磁 成像 旧书 0
下册 选读 文学 1
图解 正版 入门 2
全 文集 版 4

流运行结果

id text
0 旧书 电磁 医学
4 郁达夫 馆藏 文集
1 美国 出版社 文学
3 中国 文献 糖尿病
2 正版 华龄 图解