【小實(shí)驗(yàn)】“關(guān)鍵字”法完成新聞?wù)崛?/h1>

完成一個(gè)相對(duì)簡(jiǎn)單的“關(guān)鍵字提取”算法
思路:擁有關(guān)鍵詞最多的句子就是最重要的句子淑倾。我們把句子按照關(guān)鍵詞數(shù)量的多少排序蒂培,取前n句搀缠,即可匯總成我們的摘要缰泡。

步驟:

  1. 給在文章中出現(xiàn)的單詞按照算法計(jì)算出重要性
  2. 按照句子中單詞的重要性算出句子的總分
  3. 按照句子的總分給文章中的每個(gè)句子排序
  4. 取出前n個(gè)句子作為摘要
from nltk.tokenize import sent_tokenize, word_tokenize 
from nltk.corpus import stopwords
from collections import defaultdict
from string import punctuation
from heapq import nlargest

"""
nltk.tokenize 是NLTK提供的分詞工具包烧颖。所謂的分詞 ?tokenize? 實(shí)際就是把段落分成句子弱左,把句子分成一個(gè)個(gè)單詞的過程。我們導(dǎo)入的 sent_tokenize() 函數(shù)對(duì)應(yīng)的是分段為句倒信。 word_tokenize()函數(shù)對(duì)應(yīng)的是分句為詞科贬。
stopwords 是一個(gè)列表,包含了英文中那些頻繁出現(xiàn)的詞鳖悠,如am, is, are榜掌。
defaultdict 是一個(gè)帶有默認(rèn)值的字典容器。
puctuation 是一個(gè)列表乘综,包含了英文中的標(biāo)點(diǎn)和符號(hào)憎账。
nlargest() 函數(shù)可以很快地求出一個(gè)容器中最大的n個(gè)數(shù)字。
"""

stopwords = set(stopwords.words('english') + list(punctuation))
#stopwords包含的是我們?cè)谌粘I钪袝?huì)遇到的出現(xiàn)頻率很高的詞卡辰,如do, I, am, is, are等等胞皱,這種詞匯是不應(yīng)該算是我們的 關(guān)鍵字邪意。同樣的標(biāo)點(diǎn)符號(hào)(punctuation)也不能被算作是關(guān)鍵字。

max_cut = 0.9
min_cut = 0.1
#限制了在文本中出現(xiàn)重要性過高過低的詞反砌。就像在跳水比賽中會(huì)去掉最高分和最低分一樣雾鬼。我們也需要去掉那些重 要性過高和過低的詞來提升算法的效果。


def compute_frequencies(word_sent):
    """
    計(jì)算出每個(gè)詞出現(xiàn)的頻率
    :param word_sent: 是一個(gè)已經(jīng)分好詞的列表
    :return: 一個(gè)詞典freq[], freq[w]代表了w出現(xiàn)的頻率
    """
    freq = defaultdict(int)#defaultdict和普通的dict 的區(qū)別是它可以設(shè)置default值 參數(shù)是int默認(rèn)值是0
    #統(tǒng)計(jì)每個(gè)詞出現(xiàn)的頻率:
    for s in word_sent:
        for word in s:
            if word not in stopwords:
                freq[word] += 1
    #得出最高出現(xiàn)頻次m            
    m = float(max(freq.values()))
    #所有單詞的頻次統(tǒng)除m
    for w in list(freq.keys()):
        freq[w] = freq[w]/m
        if freq[w] >= max_cut or freq[w] <= min_cut:
            del freq[w]
    # 最后返回的是
    # {key:單詞, value: 重要性}
    return freq

def summarize(text, n):
    """
    用來總結(jié)的主要函數(shù)
    text是輸入的文本 
    n是摘要的句子個(gè)數(shù) 
    返回包含摘要的列表
    """

    # 首先先把句子分出來
    sents = sent_tokenize(text)
    assert n <= len(sents)

    # 然后再分詞
    word_sent = [word_tokenize(s.lower()) for s in sents]
    # self._freq是一個(gè)詞和詞頻率的字典
    freq = compute_frequencies(word_sent)
    #ranking則是句子和句子重要性的詞典
    ranking = defaultdict(int)
    for i, word in enumerate(word_sent):
        for w in word:
            if w in freq:
                ranking[i] += freq[w]
    sents_idx = rank(ranking, n)
    return [sents[j] for j in sents_idx]

"""
考慮到句子比較多的情況 
用遍歷的方式找最大的n個(gè)數(shù)比較慢 
我們這里調(diào)用heapq中的函數(shù) 
創(chuàng)建一個(gè)最小堆來完成這個(gè)功能 
返回的是最小的n個(gè)數(shù)所在的位置 
"""
def rank(ranking, n):
    return nlargest(n, ranking, key=ranking.get)

#運(yùn)行程序
if __name__ == '__main__':
    with open("news.txt", "r") as myfile:
        text = myfile.read().replace('\n','')
    res = summarize(text, 2)
    for i in range(len(res)):
        print("* " + res[i])

分析這篇文章:臉書推出人工智能翻譯宴树,谷歌感到壓力山大
得到:

  • Rather than analyze a sentence sequentially, one piece at a time, a convolutional neural network can analyze many different pieces at once, before organizing those pieces into a logical hierarchy.Even if the system is only marginally more accurate than systems like the one Google rolled out in the fall, the company says its technique is more efficient that other neural network-based methods.Others may help push the technique forward as well.
  • This past fall, Google unveiled a new translation system driven entirely by neural networks that topped existing models, and many other companies and researchers are pushing in the same direction, most notably Microsoft and Chinese web giant Baidu.But Facebook is taking a slightly different tack from most of the other big players.

疑問:

n=2 為什么這么兩大段策菜,不應(yīng)該是兩個(gè)句子嗎?

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者

  • 序言:七十年代末酒贬,一起剝皮案震驚了整個(gè)濱河市又憨,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌锭吨,老刑警劉巖蠢莺,帶你破解...
    沈念sama閱讀 212,718評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異零如,居然都是意外死亡躏将,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,683評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門考蕾,熙熙樓的掌柜王于貴愁眉苦臉地迎上來耸携,“玉大人,你說我怎么就攤上這事辕翰。” “怎么了狈谊?”我有些...
    開封第一講書人閱讀 158,207評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵喜命,是天一觀的道長(zhǎng)。 經(jīng)常有香客問我河劝,道長(zhǎng)壁榕,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 56,755評(píng)論 1 284
  • 正文 為了忘掉前任赎瞎,我火速辦了婚禮牌里,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘务甥。我一直安慰自己牡辽,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,862評(píng)論 6 386
  • 文/花漫 我一把揭開白布敞临。 她就那樣靜靜地躺著态辛,像睡著了一般。 火紅的嫁衣襯著肌膚如雪挺尿。 梳的紋絲不亂的頭發(fā)上奏黑,一...
    開封第一講書人閱讀 50,050評(píng)論 1 291
  • 那天炊邦,我揣著相機(jī)與錄音,去河邊找鬼熟史。 笑死馁害,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的蹂匹。 我是一名探鬼主播碘菜,決...
    沈念sama閱讀 39,136評(píng)論 3 410
  • 文/蒼蘭香墨 我猛地睜開眼,長(zhǎng)吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼怒详!你這毒婦竟也來了炉媒?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,882評(píng)論 0 268
  • 序言:老撾萬榮一對(duì)情侶失蹤昆烁,失蹤者是張志新(化名)和其女友劉穎吊骤,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體静尼,經(jīng)...
    沈念sama閱讀 44,330評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡白粉,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,651評(píng)論 2 327
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了鼠渺。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片鸭巴。...
    茶點(diǎn)故事閱讀 38,789評(píng)論 1 341
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖拦盹,靈堂內(nèi)的尸體忽然破棺而出鹃祖,到底是詐尸還是另有隱情,我是刑警寧澤普舆,帶...
    沈念sama閱讀 34,477評(píng)論 4 333
  • 正文 年R本政府宣布恬口,位于F島的核電站,受9級(jí)特大地震影響沼侣,放射性物質(zhì)發(fā)生泄漏祖能。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 40,135評(píng)論 3 317
  • 文/蒙蒙 一蛾洛、第九天 我趴在偏房一處隱蔽的房頂上張望养铸。 院中可真熱鬧,春花似錦轧膘、人聲如沸钞螟。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,864評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽筛圆。三九已至,卻和暖如春椿浓,著一層夾襖步出監(jiān)牢的瞬間太援,已是汗流浹背闽晦。 一陣腳步聲響...
    開封第一講書人閱讀 32,099評(píng)論 1 267
  • 我被黑心中介騙來泰國(guó)打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留提岔,地道東北人仙蛉。 一個(gè)月前我還...
    沈念sama閱讀 46,598評(píng)論 2 362
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像碱蒙,于是被迫代替她去往敵國(guó)和親荠瘪。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,697評(píng)論 2 351

推薦閱讀更多精彩內(nèi)容

  • “現(xiàn)在赛惩,就是一個(gè)健康人也沒有能力搬起床走路哀墓,所以我一定要?jiǎng)窀嬉粋€(gè)生病的人放下他的床跑開∨缂妫”離開床篮绰,只有動(dòng)起來,給身...
    夢(mèng)到小魚干的貓閱讀 123評(píng)論 0 0
  • (1)安裝pegjs (2)grammer.pegjs (3)main.js 注:如果需要pegjs命令行工具季惯,需...
    何幻閱讀 1,418評(píng)論 0 0
  • 低苦艾有句歌詞吠各,“路的盡頭是海的入口”,走的遠(yuǎn)了勉抓,才知道人間喧嘩贾漏,浩瀚如海。你我都會(huì)老藕筋,但蒼穹不老纵散,星辰永恒,可能...
    簫念念閱讀 890評(píng)論 4 9
  • //寬度不變隐圾,動(dòng)態(tài)設(shè)置label的高度 - (CGFloat)setLabelHeightWithSizeFont...
    愛碼師閱讀 619評(píng)論 0 0