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

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。

importbs4asbs

importurllib.request

importre

importnltk

importheapq

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标签下面。

text =""

forparagraphinsoup.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。

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 = {}#line1

forwordinnltk.word_tokenize(clean_text):#line2

ifword notinstop_words:#line3

ifword notinword2count.keys():

word2count[word]=1

else:

word2count[word]+=1

forkeyinword2count.keys():#line4

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 = {}

forsentenceinsentences:

forwordinnltk.word_tokenize(sentence.lower()):

ifwordinword2count.keys():

iflen(sentence.split(' '))

ifsentencenotinsent2score.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)

forsentences 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。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181027A1C54700?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券