关键词抽取

1. 刘知远：

作者：刘知远
链接：https://www.zhihu.com/question/21104071/answer/24556905

我博士阶段的研究课题就是关键词抽取，欢迎下载阅读我的论文“基于文档主题结构的关键词抽取方法研究”。以我做关键词抽取的经验，建议如下：

1. TFIDF是很强的baseline，具有较强的普适性，如果没有太多经验的话，可以实现该算法基本能应付大部分关键词抽取的场景了。

2. 对于中文而言，中文分词和词性标注的性能对关键词抽取的效果至关重要。

3. 较复杂的算法各自有些问题，如Topic Model，它的主要问题是抽取的关键词一般过于宽泛，不能较好反映文章主题。这在我的博士论文中有专门实验和论述；TextRank实际应用效果并不比TFIDF有明显优势，而且由于涉及网络构建和随机游走的迭代算法，效率极低。这些复杂算法集中想要解决的问题，是如何利用更丰富的文档外部和内部信息进行抽取。如果有兴趣尝试更复杂的算法，我认为我们提出的基于SMT（统计机器翻译）的模型，可以较好地兼顾效率和效果。

4. 以上都是无监督算法，即没有事先标注好的数据集合。而如果我们有事先标注好的数据集合的话，就可以将关键词抽取问题转换为 有监督的分类问题。这在我博士论文中的相关工作介绍中均有提到。从性能上来讲，利用有监督模型的效果普遍要优于无监督模型，对关键词抽取来讲亦是如此。在Web 2.0时代的社会标签推荐问题，就是典型的有监督的关键词推荐问题，也是典型的多分类、多标签的分类问题，有很多高效算法可以使用

2.rake关键词提取

3.

能够识别一个query里面哪些是关键term，哪些是比较弱的term。

假如来了一个query，那么我们要判断里面的哪个词是关键词，我们会给每一个term都打一个分（term weight）,分高的就是关键词，分低的就是垃圾词。那么这个分怎么来打比较合理呢？下面讲两个算法，都是基于海量数据统计的（query数目大约60亿）；

第一个：上下文无关的weight算法
一个term单独出现的频次越高，而且和其他term搭配出现的机会越少，那么我们可以肯定，这个term表达意图的能力越强，越重要。
所以有公式：

一看就知道是一个迭代的公式。初始化的时候，每一个query的所有term权重之和等于1，所以每一个term的权重就是1/m；m是当前query的term数目。

4.

曾经在微博上试过TF-IDF，LDA 和TextRank，感觉LDA在短文本上完全不靠谱，在文档级应用上应该可以(没试过，这方面的论文应该很多)

5.

facebookresearch/fastText 这个也不错，用起来挺好，也是基于 topic 来打标签

思路：term 词向量求和取平均 -> logistic regression，只不过由于标签过多，所以用层次 softmax 或者 negative sampling 来优化性能。

6.

当前关键词提取算法主要可以分成两个流派：

1. Statistical

2. Rule Based

本文提供的是一种比较大的分类方法，也有很多reivew的文章分成3类、4类、5类种种，都不重要，关键把思路理清就好。

1) Statistical 

统计流派，其思路是，先定义一个关键词指标，然后为文章中所有词汇计算关键词指标，把词汇按照指标从大到小排列，指标大的优先选为关键词。这种思路很简单，有点儿像班里选班长，老师说选学习成绩最好的同学当班长，那么选拔方法就是，先定义一个指标，比如考试总分，然后，给每个学生的语文、数学、物理成绩加总，排名，总分排第一的当班长（关键词）。当然，老师可以指定班里有任意多个班长，例如选K个班长，那么就是成绩排名前K个学生当班长。统计流派的关键在于，计算每个词汇的关键词指标，这个指标是根据词汇在文章中的表现统计并计算出来的，所以有Statistical其名。

在对关键词进行提取时，可以有多种指标，影响力最大的两个是：TF-IDF指标和 PageRank指标。TF-IDF基于词袋模型（Bag-of-Words），把文章表示成词汇的集合，由于集合中词汇元素之间的顺序位置与集合内容无关，所以TF-IDF指标不能有效反映文章内部的词汇组织结构。PageRank指标，基于网络模型（Graph Model）,把文章表示成网络的结构，网络中的节点表示词汇，节点之间的边为词汇之间的位置邻接关系，网络结构比集合结构包含信息多，考虑了文章内词汇的顺序，所以PageRank指标一般比TF-IDF指标表现更好。

2） Rule Based

规则流派，其思路是，将关键词提取任务，定义为一个对词汇进行二元分类的任务。即给定一个词汇，要么是关键词，要么不是关键词，对其分类，是关键词为1，不是就是0。那么，关键词提取问题就变成了一个预测问题。预测问题，需要一个预测函数，这个函数就是规则，给定词汇，获得该词汇的特征（  ）,然后预测该词汇是否为关键词  。

规则可以人工指定，也可以通过机器学习（Machine Learning）的方法获得。人工指定规则，一般比较难，费脑子，谁也不清楚究竟到底啥样儿的词是关键词....所以大家就想着让程序自己去获得规则，即通过机器学习。机器学习的方法相对省脑子，但是费体力，要一堆闲的蛋疼的人到网上找一堆文章手工标关键词，然后把标记过的样本扔到模型里去把规则给学习出来。机器学习过程中，需要指定一些词汇特征，用于训练。这些特征，一般也不知道，所以也需要人工指定，比如，考虑词频、词汇包含的字数、词性、词汇的位置等等。所以，前十年，做机器学习进行关键词提取的论文，特别好搞，你选几个指标，发一篇，他选几个指标，又发一篇，也不太费脑子，就是各种拍脑袋想指标，然后把想出的指标各种排列组合丢到模型里去跑，找个相对好的结果就行。这几年，深度学习比较火，有人说了，我想规则费脑子，想指标也费脑子，我就是懒，我直接搞个神经网络让他连词汇特征都一起给学习了。所以，现在深度学习成为关键词提取新的发展方向，但是深度学习的方法只能通过复杂网络的训练帮你抽象出词汇特征，但是还得依赖于人工标注，依然需要闲的蛋疼的人去标记文章。当然了，深度学习的一大好处在于，有一些模型支持对没标记的数据进行学习，可以优化词汇特征的表示。例如，自动编码器，深度玻尔兹曼机...什么的...

总结：

基于此，我想说的是，虽然关键词提取的算法很多，也很花哨，但是思路比较简单，应当在写Paper之前，或者开发技术应用之前，做好技术定位。另外，几乎没有论文回答最基础的一个问题，什么是关键词？为什么某些词应当被提取出来给阅读者看而另外一些词应当忽略？哪些词应当展示给用户看？太多研究关注算法的精度和效率，而忽视了关键词的本质内涵。关键词不是一个客观存在的东西，而本身也是人为标注的，因此模型的评估和优化，本身也是一个主观的东西。这种主观的东西，不应当以算法开发者的意志所左右，而是应当关注用户的需求，想用户之所想，把用户真正关心的那些关键词展示出来。因此，虽然关键词提取算法当前停滞不前，但是从用户的角度重新去考虑关键词的定义，把用户的特征与词汇的特征相结合，进行指标的构建（Statistical）或者规则模型的学习(Rule Based），或许是可以为关键词提取算法的未来研究提供新的发展契机。

7. 停用词词表（搜一下还有很多）

http://blog.csdn.net/shijiebei2009/article/details/39696571

另外的一种方法，可以利用词性过滤，只保留指定词性的单词即可，类似的python有jieba分词，java有hanlp，ansj-seg，这些在分词的时候都有词性的标注，都可以很方便的处理

8.

先看你是单文档还是多文档。
如果是单文档，用textrank，另外你需要注意停用词处理。或者把单文档中按段或句分割成多文档
如果是多文档，那就更简单了，tf-idf是最简单的，也可用lda, 词嵌入svd,w2v，获取文档语义，然后找出与文档语义相关度最大的几个词就可