自动文本摘要
本文为 AI 研习社编译的技术博客，原标题 ： Text Summarization 翻译 | 机智的工人、乔叔叔 校对 | 志豪 整理 | 菠萝妹 原文链接： https://towardsdatascience.com/text-summarization-96079bf23e83
文本摘要
之前写过另一篇文章。现在，我将介绍一下如何做文本摘要。
读完这篇文章，你将学到
- 什么是文本摘要
- 如何从网上提取数据
- 如何清洗数据
- 如何搭建直方图
- 怎么给句子打分
- 如何抽取最重要的句子/或者做简单摘要
在这之前，我建议大家学习并熟悉以下内容
- 正则表达式
- 自然语言处理
- 网页抽取
什么是文本摘要
文本摘要 是一种缩短文档的过程，这是为了对原始文档的要点进行总结。
摘要的主要思想是找到包含整个集合的“信息”的数据子集。这种技术在今天的工业中被广泛使用。搜索引擎就是一个例子;其他的例子包括文档、图像集合和视频的汇总。文档摘要试图通过寻找信息最丰富的句子，对整个文档进行有代表性的总结或抽象，而在图像摘要中，系统会找到最具代表性和最重要的(或最显著的)图像来做代表。对于监控视频，则会从平平无奇的环境中提取出重要的事件。
自动摘要一般有两种方法: 提取与抽象。更多内容请参考维基。
如何从网页中抽取数据？
步骤1：导入相关库/包
- Beautiful Soup(bs)是一个能从HTML和XML文件中抽出数据的Python库。结合你喜欢的解析器，它提供了一个符合语言习惯的方式来进行浏览、搜索与修改解析树。通常它能为程序员节省几小时甚至几天的工作。
- Urllib是一个程序包，里面含有处理URL的多个模块：
urllib.request 用来打开和读取URL
urllib.error 包含了由urllib.request抛出的各种异常处理
urllib.parse 用来解析URL
urllib.robotparser 用来解析 robots.txt 文件（Robots协议文件或爬虫协议文件）
- re 这个模块提供了各种正则表达式匹配操作，与Perl中的类似。
- nltk是一个基于Python的类库，是一个领先的自然语言处理的编程与开发平台。它为50多个语料和词库资源提供了易用的交互接口，比如WordNet。它同时也提供了一整套来对文本进行分类、分词、词干提取、标签化、解析、语义推理的文本处理库，以及工业级NLP库的各种封装。
- heapq 这个模块提供了堆队列算法（也就是优先队列算法）的一种实现。
import bs4 as bs
import urllib.request
import re
import nltk
import heapq注意检查停用词(stopword) 和文本分割器(punkt) 是不是最新的！
nltk.download('stopwords')
nltk.download('punkt')
图1
步骤2：抽取数据
我选取的是Artificial Neural Network （人工神经网络）这个维基页来进行我的工作的。根据你的需要，你可以选取任何一篇文章。
page = urllib.request.urlopen("https://en.wikipedia.org/wiki/Artificial_neural_network").read()
soup = bs.BeautifulSoup(page,'lxml')
print(page) #print the page
图2
你可以看到我们将网页内容抽取下来了，但是它看上去很乱。我们可以用BeautifulSoup库来解析文档并且用一种漂亮的方式来抽取文本。我也利用prettify功能让各种语法看上去更好一些。
print(soup.prettify)
图3
注意：大多数维基文章的内容是写在标签下面的，但是在这点上，不同的网站有不同处理，例如，一些网站就是将网页内容写在< div >标签下面。
text = ""
for paragraph in soup.find_all('p'):
text += paragraph.text
print(text)
图4
步骤3：数据清洗
数据清洗是在记录集、数据表、数据库中监测并纠正（或说去除）损坏或者不准确数据的一个过程。它是指找出不完整、不正确、不准确或者不相关的部分数据，然后进行替换、修改或者删除这些脏数据或者不合格数据。
行1：我试图去除文本中类似于[1],[2] 样子的上标索引（请看上面的文本输出）。
行2：我去除了所有额外的空格，只留下必要的一个空格。
行3: 转换成小写字母。
行4,5,6: 我去除了所有额外的标点符号、数字、额外的空格。
行7：利用sent_tokenize()将大段文本分割成了一个个句子。
text = re.sub(r'\[[0-9]*\]',' ',text)
text = re.sub(r'\s+',' ',text)
clean_text = text.lower()
clean_text = re.sub(r'\W',' ',clean_text)
clean_text = re.sub(r'\d',' ',clean_text)
clean_text = re.sub(r'\s+',' ',clean_text)
sentences = nltk.sent_tokenize(text)
stop_words = nltk.corpus.stopwords.words('english')
print(sentences) 
图5（Tokennization分割后的输出）
stop_words #list
图 6（停用词列表）
步骤4：建立直方图
行1: 创建一个空的字典word2count
行2：利用for循环并利用word_tokenize方法将clean _text分割成多个词并放入word变量中。
行3：检查某个词word是否“没有出现在”停用词stop_words列表中。然后再判断该词是否“没有在”字典的键值中1，否则就在字典中将该词的计数加1。
行4: 计算每个直方的权重（请看输出，你就可以看到这些权重并不是简单计数，比如‘artificial’:0.3620689）
word2count = {} #line 1
for word in nltk.word_tokenize(clean_text): #line 2
if word not in stop_words: #line 3
if word not in word2count.keys():
word2count[word]=1
else:
word2count[word]+=1
for key in word2count.keys(): #line 4
word2count[key]=word2count[key]/max(word2count.values())
图7
步骤5: 计算句子分值
行1: 创建一个空的字典sent2score。
行2：利用for循环将一个个句子从sentence列表中放入sentence变量汇总（在步骤3，我们创建了sentences列表）
行3：转换为小写字母并将句子分割成词，放入word变量中。
行4: 利用if条件判断word是否在字典word2count的键值中word2count.keys()。
行5: 我在这里将长度设定为小于30，你可以根据需要设定为其它值。
行6: 进一步利用if-else进行条件判断，如果sentence句子“不在”字典sent2score的键值中，就将该句子作为键key放入字典sent2score并将值value置为word2count字典中该词的计数。否则就将该句对应的键值（即句子的分值）加1。
# Calculate the score
sent2score = {}
for sentence in sentences:
for word in nltk.word_tokenize(sentence.lower()):
if word in word2count.keys():
if len(sentence.split(' '))<30:
if sentence not in sent2score.keys():
sent2score[sentence]=word2count[word]
else:
sent2score[sentence]+=word2count[word]请看句子的分值
图8
如何只抽取分值最高的几个句子 短摘要
步骤6：找出最适合的句子
我利用heapq包来找出了7个最适合的句子来作为维基的这篇ANN文章的摘要。
best_sentences = heapq.nlargest(7,sent2score,key=sent2score.get)
for sentences in best_sentences:
print(sentences,'\n')
最适合的7个句子作为人工神经网络的摘要。
今天就到这里吧。源代码在Github上找到，也非常高兴能够听到任何问题或反馈。
希望你能喜欢这篇文章，不要忘记给这篇文章点赞并分享给他人。
想要继续查看该篇文章相关链接和参考文献？
戳链接：
http://ai.yanxishe.com/page/TextTranslation/1071