自动摘要算法

from: http://www.isnowfy.com/automatic-summarization/

当时yahoo以3000万美元的价格收购了summly的消息传出来之后，貌似大家都比变的对自动摘要产生了极大的兴趣，关于自导摘要wiki这里有很详细的介绍，一般自动摘要比较常用的一个是摘取文章中的关键词，另一个则是摘取文章中的关键的句子，在这里我主要是介绍用textrank算法来搞句子的摘取。

相对于textrank，摘取关键句子还有一些比较简单的算法，比如这篇，我们可以把句子分别和整篇文章做比较，相似性最大的就是关键的句子。而textrank其实就是pagerank算法扩展到句子上，来的到一些全局的信息。textrank的论文在这里。

首先我们看pagerank算法，就是google用的那个网页排序的pagerank算法，首先网页之间都是有超链接链接的，如果某个网站A有指向B的超链接，说明A网站认为B网站是有价值的，于是相应的我们可以给B来提升权重，但是就像现实中，一般人的意见和专家的意见的权重是不一样的，所以如果网站A的权重比较高，那么就可以贡献更多的权重给B，反之则贡献更少的权重，然后算法经过一轮轮的迭代，所有结点的权重会收敛，就得到了最终的权重了。然后我们有pagerank的计算公式，其中d是阻尼系数。

score(Vi)=(1−d)+d∗∑1∣∣out(Vj)∣∣∗score(Vj)

换到textrank，对于pagerank而言，边是没有权值的，而textrank的边是有权值的，表示两个句子的相似性，这个权值可以用Jaccard similarity coefficient就是交集数目除以并集数目，或者cosine的余弦夹角，或者是bm25一类的算法。在边有了权值之后，textrank的公式变为这个样子。

score(Vi)=(1−d)+d∗∑weight(j,i)∑weight(j,k)∗score(Vj)

论文里显示带了权重之后收敛会慢一些，在经过若干轮的迭代之后，我们就可以得到每个句子的权重了，然后我们取出权重最大的几个就认为是文章的关键句子了。

自己实现了一份以bm25为相似性的textrank算法，代码在github上，具体可以看代码，test.py展示了摘要的提取。同时这个项目实现了一些常用的操作，比如繁体转简体，中文的分词和词性标注等，欢迎试用提pull requests啊！