TextRank系列之文本自动摘要提取_textrank得到每个节点的pr值后如何对新的句子进行抽取摘要

前期回顾

TextRank系列之关键词提取算法

---

原文链接：文本自动摘要：基于TextRank的中文新闻摘要

---

用TextRank做单领域多文本的自动摘要的过程如下：

• 把所有文章整合成文本数据，并把文本分割成单个句子；
• 用WordAVG的方法，将每个句子中所有单词的词向量合并为句子的向量表示；
• 计算句子向量间的相似性并存放在矩阵中，作为转移概率矩阵M；
• 然后将转移概率矩阵转换为以句子为节点、相似性得分为边的图结构，用于句子TextRank计算；
• 对句子按照TextRank值进行排序，排名最靠前的n个句子作为摘要。

好的，那下面我们就用TextRank算法，以及按照上面的流程，做一个新闻自动摘要的小案例。

---

基于TextRank的中文新闻摘要

参考了一篇用TextRank做英文新闻摘要的文章。

1、文章：《手把手|基于TextRank算法的文本摘要（附Python代码）》

2、github地址

文档的原网页：

• https://baijiahao.baidu.com/s?id=1626615436040775944&wfr=spider&for=pc
• https://baijiahao.baidu.com/s?id=1626670136476331971&wfr=spider&for=pc
• http://finance.sina.com.cn/roll/2019-02-28/doc-ihrfqzka9798377.shtml

实践的github

好，那就开始。

1. 整合文档，划分句子

首先把文档读入，放在列表中，可以看到，有些句子已经被划分出来了。

['信息量巨大！易会满首秀，直面科创板8大问题，对散户加速入场笑而不语……',

 '每日经济新闻',

 '02-2717:56',

 '每经编辑：郭鑫 王晓波',

 '图片来源：新华社记者 李鑫 摄',

 '易会满上任一个月，还没有在公开场合说过一句话。',

 '2月27日下午三点半开始，XX出席其首场新闻发布会，离发布会开始前两小时现场已经座无虚席，只等XX来到现场。此外，XX、XX等也共同出席。',
 ...]
1
2
3
4
5
6
7
8
9
10
11
12
13
14

不过通过观察，我们可以发现存在两个问题：

一是以[。？！；]作为句子的分隔符，那么列表中的每个字符串元素中可能有多个句子；

二是每个字符串元素可能以[：，]结尾，也就是说可能是一个不完整的句子。

考虑到这只是一个小案例，所以就没花太多时间，仅仅处理一下第一个问题，把句子按照[。？！；]进行划分，如果字符串元素是不完整的句子，那也作为一句。

import numpy as np
import pandas as pd
import re,os,jieba
from itertools import chain
 
"""第一步：把文档划分成句子"""
 
# 文档所在的文件夹
c_root = os.getcwd()+os.sep+"cnews"+os.sep  
 
sentences_list = []
for file in os.listdir(c_root): 
    fp = open(c_root+file,'r',encoding="utf8")
    for line in fp.readlines():
        if line.strip():
            # 把元素按照[。！；？]进行分隔，得到句子。
            line_split = re.split(r'[。！；？]',line.strip())
            # [。！；？]这些符号也会划分出来，把它们去掉。
            line_split = [line.strip() for line in line_split if line.strip() not in ['。','！','？','；'] and len(line.strip())>1]
            sentences_list.append(line_split)
sentences_list = list(chain.from_iterable(sentences_list))
print("前10个句子为：\n")
print(sentences_list[:10])

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

前10个句子为：

['信息量巨大',

 '易会满首秀，直面科创板8大问题，对散户加速入场笑而不语……',

 '每日经济新闻',

 '02-2717:56', 
 '每经编辑：郭鑫 王晓波',

 '图片来源：新华社记者 李鑫 摄',

 '易会满上任一个月，还没有在公开场合说过一句话',

 '2月27日下午三点半开始，中XX出席其首场新闻发布会，离发布会开始前两小时现场已经座无虚席，只等XX来到现场',

 '此外，XX、XX等也共同出席',

 '这可能是这个月国内关注的人最多的一场新闻发布会了']
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

2. 文本预处理

文本预处理包括去除停用词和非汉字字符，并进行分词。处理的过程要保证处理之后的句子的数量和处理之前的一样，因为后面我们计算了每个句子的textrank值之后，需要根据textrank值的大小，取出相应的句子作为摘要。

比如 ‘02-2717:56’ 这个句子整个被过滤了，那就令这个句子为[]，下面也会给它一个句子的向量表示，只是元素都为0。

"""第二步：文本预处理，去除停用词和非汉字字符,并进行分词"""
 
#创建停用词列表
stopwords = [line.strip() for line in open('./stopwords.txt',encoding='UTF-8').readlines()]
 
# 对句子进行分词
def seg_depart(sentence):
    # 去掉非汉字字符
    sentence = re.sub(r'[^\u4e00-\u9fa5]+','',sentence)
    sentence_depart = jieba.cut(sentence.strip())
    word_list = []
    for word in sentence_depart:
        if word not in stopwords:
            word_list.append(word)   
    # 如果句子整个被过滤掉了，如：'02-2717:56'被过滤，那就返回[],保持句子的数量不变
    return word_list
 
sentence_word_list = []
for sentence in sentences_list:   
    line_seg = seg_depart(sentence)
    sentence_word_list.append(line_seg)
print("一共有",len(sentences_list),'个句子。\n')
print("前10个句子分词后的结果为：\n",sentence_word_list[:10])
 
# 保证处理后句子的数量不变，我们后面才好根据textrank值取出未处理之前的句子作为摘要。
if len(sentences_list) == len(sentence_word_list):
    print("\n数据预处理后句子的数量不变！")

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

一共有 347 个句子。

前10个句子分词后的结果为：

 [['信息量'], 
  ['易会', '满首秀', '直面', '科创板', '散户', '加速', '入场', '笑', '不语'], 
  ['每日', '经济', '新闻'], 
  [], 
  ['每经', '编辑', '郭鑫', '王晓波'], 
  ['图片', '来源', '李鑫', '摄'], 
  ['易会', '上任', '一个月', '公开场合', '说', '一句', '话'],...]
1
2
3
4
5
6
7

数据预处理后句子的数量不变！

3. 加载word2vec词向量

从这里下载了金融新闻word2vec词向量：https://github.com/Embedding/Chinese-Word-Vectors。

词向量是300维的，字和词语都有。我们把词向量加载进来，做成一个字典，共有467140个词语或字。

"""第三步：准备词向量"""
 
word_embeddings = {}
f = open('./sgns.financial.char', encoding='utf-8')
for line in f:
    # 把第一行的内容去掉
    if '467389 300\n' not in line:
        values = line.split()
        # 第一个元素是词语
        word = values[0]
        embedding = np.asarray(values[1:], dtype='float32')
        word_embeddings[word] = embedding
f.close()
print("一共有"+str(len(word_embeddings))+"个词语/字。")

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

一共有467140个词语/字。

4. 得到词语的embedding，用WordAVG作为句子的向量表示

WordAVG也就是先得到句子中的所有词语的词向量，然后求词向量的平均，作为该句子的向量表示。WordAVG可以用来计算句子的相似度。

"""第四步：得到词语的embedding，用WordAVG作为句子的向量表示"""
 
sentence_vectors = []
for i in sentence_word_list:
    if len(i)!=0:
        # 如果句子中的词语不在字典中，那就把embedding设为300维元素为0的向量。
        # 得到句子中全部词的词向量后，求平均值，得到句子的向量表示
        v = sum([word_embeddings.get(w, np.zeros((300,))) for w in i])/(len(i))
    else:
        # 如果句子为[]，那么就向量表示为300维元素为0个向量。
        v = np.zeros((300,))
    sentence_vectors.append(v)

1
2
3
4
5
6
7
8
9
10
11
12
13

5. 计算句子之间的余弦相似度，构成相似度矩阵

"""第五步：计算句子之间的余弦相似度，构成相似度矩阵"""
sim_mat = np.zeros([len(sentences_list), len(sentences_list)])
 
from sklearn.metrics.pairwise import cosine_similarity
 
for i in range(len(sentences_list)):
  for j in range(len(sentences_list)):
    if i != j:
      sim_mat[i][j] = cosine_similarity(sentence_vectors[i].reshape(1,300), sentence_vectors[j].reshape(1,300))[0,0]
print("句子相似度矩阵的形状为：",sim_mat.shape)

1
2
3
4
5
6
7
8
9
10
11

句子相似度矩阵的形状为： (347, 347)

6. 迭代得到句子的textrank值，排序并取出摘要

以句子为节点、相似性得分为转移概率，构建图结构，然后迭代得到句子的TextRank分数。

对句子按照TextRank值进行降序排序，取出排名最靠前的10个句子作为摘要。

"""第六步：迭代得到句子的textrank值，排序并取出摘要"""
import networkx as nx
 
# 利用句子相似度矩阵构建图结构，句子为节点，句子相似度为转移概率
nx_graph = nx.from_numpy_array(sim_mat)
 
# 得到所有句子的textrank值
scores = nx.pagerank(nx_graph)
 
# 根据textrank值对未处理的句子进行排序
ranked_sentences = sorted(((scores[i],s) for i,s in enumerate(sentences_list)), reverse=True)
 
# 取出得分最高的前10个句子作为摘要
sn = 10
for i in range(sn):
    print("第"+str(i+1)+"条摘要：\n\n",ranked_sentences[i][1],'\n')

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

第1条摘要：...

第2条摘要：...

第3条摘要：...

第4条摘要：...

第5条摘要：...

第6条摘要：...

第7条摘要：...

第8条摘要：...

第9条摘要：...

第10条摘要：...

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

声明：因文本中包含敏感信息，故省略