码迷,mamicode.com
首页 > 其他好文 > 详细

HanLP 关键词提取。入门篇

时间:2019-07-05 12:48:44      阅读:784      评论:0      收藏:0      [点我收藏+]

标签:while   school   标点符号   定义   准备就绪   包含   www   group   war   

前段时间,领导要求出一个关键字提取的微服务,要求轻量级。

对于没写过微服务的一个小白来讲。硬着头皮上也不能说不会啊。

首先了解下公司目前的架构体系,发现并不是分布式开发,只能算是分模块部署。然后我需要写个Boot的服务,对外提供一个接口就行。

在上网浏览了下分词概念后,然后我选择了Gradle & HanLP & SpringBoot & JDK1.8 & tomcat8 & IDEA工具来实现。

Gradle 我也是第一次听说,和Maven一样,可以很快捷的管理项目需要的jar。下载,解压,配置环境变量,验证等。不再赘述,可以去这里了解下https://www.w3cschool.cn/gradle/ctgm1htw.html

然后准备就绪后,在idea里配置一下Gradle路径

技术图片

 

HanLP呢,老规矩,先下载,解压,https://github.com/hankcs/HanLP/releases 。简单看下目录结构

HanLP分为词典 和模型,其中词典(dictionary)是词法分析必备,模型(model)是句法分析必需。解压好准备data的上级目录 的绝对路径  下面会提到用途

这里为G:/kaipu/data-for-1.7.3

技术图片

tomcat8 去官网自行下载,选择自己操作系统对应的。 jdk1.8 下载安装,环境变量配置不再描述。

一切准备就绪,开始创建项目

技术图片

输入项目ID:keyWord,NEXT

技术图片

 选择本地的gradle

技术图片

Next ,Finish

技术图片

此刻项目就创建好了。

打开根目录下的技术图片

dependencies {
    compile ‘org.springframework.boot:spring-boot:2.0.5.RELEASE‘
    compile ‘org.springframework.boot:spring-boot-starter-web:2.0.5.RELEASE‘
    providedRuntime ‘org.springframework.boot:spring-boot-starter-tomcat:2.0.5.RELEASE‘
    testCompile group: ‘junit‘, name: ‘junit‘, version: ‘4.11‘
    compile ‘com.hankcs:hanlp:portable-1.7.3‘
}

 前三个jar 是集成springboot外部tomcat用的,第四个是junit单元测试依赖,第五个就是我们要用的hanlp依赖。

PS:这里我着重说下打包的事情,因为我没用过Gradle打包,项目时间紧,我就延用了war包格式,这里先记录下过程,这个项目后,再回头来研究Gradle打JAR包。

group ‘keyword‘
version ‘1.0-SNAPSHOT‘
apply plugin: ‘java‘
apply plugin: ‘war‘
war {
    archiveName ‘key-word.war‘
}

等待idea自动导包完成后,我们来加载hanlp

技术图片

在resources下,出现一个hanlp.properties,打开编辑这个文件,更改root路径。这个路径就是上面我们提到的 data上级目录的绝对路径。

技术图片

创建第一个测试类

  @Test
    public void test0(){
        String text = "中国是世界上的经济大国,社会主义强国!"; 
     List<Term> keyWords = HanLP.segment(text);
     System.out.println(keyWords.toString());
  }

技术图片

说明词库引入成功。

接下来可以正常开发,按照需求,需要提取正文里的关键词,摘要。

分析如下:

关键词抽取工具:

思路:输入标题,正文文本,综合考虑词频、位置、词性、组合性短语长度等因素,计算权重得分;返回topN个关键词。在此基础上进行抽取式摘要,按句子包含的关键词数量和权重进行处理。

原理:分词后,将命名实体单独拿到,再找合适的名词短语。依托HanLP的核心词典,根据TF*IDF算法计算每个命名实体和名词性短语的得分score,按score倒排返回前面若干关键词。

首先定义一个关键词类。可以是个单词,也可以是几个单词组成的短语。

public class Phrase implements Comparable<Phrase>{
    private String word;           //候选关键词
    private boolean inDictionary;  //是否在HanLP词典中
    private String suffixWord;     //中心词。对单词,中心词就是word。如果是短语,则是短语中最后一词
    private String suffixWordPos;  //中心词的词性
    private String prefixWordPos;  //首词的词性
    private int freqOfDict = 1;    //在词典中该词的词频
    private boolean single;        //true表示单词,false表示短语
    private Location location;     //该候选关键词出现的位置
    private int offset;            //该候选词在正文中位置
    private boolean isCandidate;   //是否候选关键词

    *
    *
    *
   /**
  *这会在比较score时用到
  */ @Override public int compareTo(Phrase o) { return this.getWord().compareTo(o.getWord()); } }

  以下是核心算法的一部分,寻找候选关键词

/**全局逻辑
先找出关键词,再计算分数

一、 * 从分词Term中解析 候选的关键词, * 因为要计算每个句子的分数值需要句子里的所有词累加计算score,所以这里都需要打标分数。 * @param terms 分词列表 * @param title 文章标题 * @param firstParagraphEnd 对于正文处理,表示正文第一段结尾位置 * @param lastParagraphBegin 对于正文处理,表示正文最后一段开始位置 */


int index= 0;
while (index < terms.size()) {
//当前词
Term current = terms.get(index);
//首先判断是否是命名实体 人名开头 包含 地名 动名词 其他专名,或者团体名开头
if (current.nature.startsWith("nr")
                    || current.nature.equals(Nature.ns)
                    || current.nature.equals(Nature.nz)
                    || current.nature.equals(Nature.vn)
                    || current.nature.startsWith("nt")) {

                Phrase phrase = new Phrase(current.word,
                        CoreDictionary.contains(current.word),
                        current.word,
                        current.nature.toString(),
                        current.nature.toString(),
                        CoreDictionary.get(current.word) == null ? 3 : CoreDictionary.get(current.word).totalFrequency,
                        true,
                        title.contains(current.word) ? Location.TITLE : whichLocation(terms.get(index).offset, firstParagraphEnd, lastParagraphBegin),
                        terms.get(index).offset, true);
                phrases.add(phrase);
                index++;
            } 
二、
//计算候选关键词的权重
TreeMap<Phrase, Double> scoreMap = new TreeMap<>();
for (Phrase phrase : phrases) {
double score = scoreMap.containsKey(phrase) ? scoreMap.get(phrase) : 0.0;

//排除单字符 的关键字
int wordLength = phrase.getWord().toString().length();
if (!(wordLength == 1)) {
score += Math.log(weight(phrase, content, title) * freqMap.get(phrase.getWord()) / phrase.getFreqOfDict());
scoreMap.put(phrase, score);
}
//weight方法:根据词性、词频、位置、词语长度等因素计算权重
//这里依赖HanLp核心词典实现TF*IDF算法
}
三、

倒排
Comparator<Map.Entry<Phrase, Double>> valueComparator = new Comparator<Map.Entry<Phrase, Double>>() {
@Override
public int compare(Map.Entry<Phrase, Double> o1,
Map.Entry<Phrase, Double> o2) {
return (o2.getValue().compareTo(o1.getValue()));
}
};
List<Map.Entry<Phrase, Double>> list = new ArrayList<Map.Entry<Phrase, Double>>(scoreMap.entrySet());
Collections.sort(list, valueComparator);

此刻就可利用subList函数 取出tonN的关键词了
subList(0, Math.min(topN, 候选关键词数组size()));

四、
在三的基础上,对正文按标点符号 。?!;.!? 等进行分句。

List<Sentence> sentences = new ArrayList<>();
int i = 0;
int lastSentenceEnd = 0;
while (i <= content.length() - 1) {
char c = content.charAt(i);
if (SENTENCE_END_TAGS.indexOf(c) >= 0
&& i > lastSentenceEnd + 1
&& i > 0
&& i < content.length()) {
Location location = Location.MIDDLE;
if (i < firstParagraphEnd) {
location = Location.FIRST;
} else if (i > lastParagraphBegin) {
location = Location.LAST;
}
int begin = lastSentenceEnd + 1;
if (sentences.isEmpty()) begin = 0; // 对第一句,应该从0开始
Sentence sentence = new Sentence(begin, i, location);
sentences.add(sentence);
lastSentenceEnd = i;
}
i++;
}
五,分句后,对每句含有的词,在三的基础上,进行分数累加。(有个小逻辑:句子长度对分数比例的影响 || 单个句子包含多个命名实体 人名等对分数比例的影响。|| 。。。)这些需要大量的场景测for (Sentence sentence : sentences) {
    String line = content.substring(sentence.getBegin(), sentence.getEnd() + 1);
double sumScore = wordsWeight.get(wordsWeight.size() - 1).getValue();
//注意:要用关键词中最小权重做为基数,避免句子权重计算结果为0
int maxSize = Math.min(topN, wordsWeight.size());
for (int i = 0; i < maxSize; i++) {
Map.Entry<Phrase, Double> weight = wordsWeight.get(i);
double weightDouble = weight.getValue();
if (line != null && line.indexOf(weight.getKey().getWord()) >= 0){
List<Term> terms = NLPTokenizer.segment(line);
int index =0;int termCount = 0;
       sumScore += weightDouble;}
    }
    sentence.setScore(sumScore);
然后同理,根据subList()取出想要的几个句子。再根据句子所在正文的位置,进行一个先后顺序的排列。
Comparator<Sentence> valueComparator = new Comparator<Sentence>() {

@Override
public int compare(Sentence o1, Sentence o2) {
return o1.getBegin() - o2.getBegin();
}
};
Collections.sort(prefixSentences, valueComparator);
StringBuilder sb = new StringBuilder();
for (Sentence sentence : prefixSentences) {
sb.append(SentenceTool.toString(sentence, content));
}

  

还有一些可增删的业务逻辑:
去除文章末尾误识别的编辑、记者名称等
判断关键词里的 发言人;|| *** 说:“”。这些权重适当降低

保留句子里的实词词性,去除虚词词性(权重降低),来保证摘要的理性。

等等等等。

调试期间,有很多坑,现在记录下来,以便以后复习查看。

以上内容纯属个人所有,转载请注明出处。

HanLP 关键词提取。入门篇

标签:while   school   标点符号   定义   准备就绪   包含   www   group   war   

原文地址:https://www.cnblogs.com/justtodo/p/11136700.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!