变身抓重点小能手：机器学习中的文本摘要入门指南 | 资源

鱼羊 2019-04-23 09:03:28 来源：量子位

鱼羊 编译整理

量子位 出品 | 公众号 QbitAI

如果你是科研狗，一定有过被摘要支配的恐惧。

如果你想在浩如烟海的互联网信息里寻找重点，一定想要快速排除多余的内容。

基于机器学习的自动文本摘要工具，将一键解放你的双手，化身抓重点小能手，为你捕捉关键，排除冗余。

近日，有位叫Alfrick Opidi的小哥在入门级深度学习云平台FloydHub 上写了一篇关于自动文本摘要的入门教程，量子位对其进行了编译，希望能帮助大家理解。

自动文本摘要属于自然语言处理（NLP）的范畴，通常用机器学习算法来实现，目前实现的方法主要有两种：

抽取式

就像一支荧光笔，抽取式文本摘要就是给原始文本中的重点单词标上高亮，再将其加以组合形成摘要。

概要式

概要式文本摘要更接近于人类的思维——通过深度学习对原始文本进行释义并提炼主旨，而后形成摘要。相比于抽取式，概要式文本摘要更像在说人话。

很显然概要式的表现会比抽取式更好，然而这种算法需要复杂的深度学习技术和语言模型支撑，还面临这诸如自然语言生成这样的NLP问题。

因此抽取式方法仍然广泛流行。

鉴于本文是一篇入门指南，接下来提到的内容都是基于抽取式方法来实现的。

文本摘要基础步骤

文本摘要是如何实现的呢？

举个例子，用文本摘要机器学习算法来对下面这段文字进行处理：

夜里志明和春娇乘坐出租车去城里聚会。聚会上春娇晕倒并被送进了医院。她被诊断出患有脑损伤，医生告诉志明要一直陪着她直到她好起来。因此，志明待在医院整整陪了她三天。

第一步：把段落转成句子

首先要做的是分割段落。

1. 夜里志明和春娇乘坐出租车去城里聚会
2. 聚会上春娇晕倒并被送进了医院
3. 她被诊断出患有脑损伤，医生告诉志明要一直陪着她直到她好起来
4. 因此，志明待在医院整整陪了她三天

第二步：文本处理

接下来，删掉没什么意义的连接词、数字、标点。

就像这样：

1. 夜里志明春娇乘坐出租车去城里聚会
2. 聚会春娇晕倒送医院
3. 诊断脑损伤医生告诉志明陪着好起来
4. 志明待在医院天

第三步：标注

然后，对句子进行标记，获得句子中的所有单词：

[‘志明’，‘春娇’，‘乘坐’，‘出租车’，‘去’，‘夜里’，‘聚会’，‘城里‘，‘聚会’，‘春娇’，‘晕倒’，‘医院’，‘诊断’，‘脑’，‘损伤’，‘医生’，‘告诉’，‘志明’，‘陪’，‘好起来’，‘志明’，‘待’，‘医院’，‘天’]

第四步：评估单词的加权出现频率

现在就可以计算单词们的加权出现频率了。

计算公式是：单词加权出现频率 = 单词出现次数 / 段落中最常用单词出现次数

第五步：用加权频率替换单词

把句子中的每个单词都替换成加权频率，就可以计算这个句子的权重。比如在志明和春娇这个例子当中，第一句在整个段落中的权重是最大的，那么它就将构成摘要的主体部分。

以上是机器学习实现文本摘要的基本步骤，下面我们来看看如何在真实世界中构建摘要生成器。

亲手构建摘要生成器

使用Python的NLTK工具包，我们可以亲自动手创造一个文本摘要生成器，实现对Web文章的摘要生成。

来看看代码蓝图：

 1 # Creating a dictionary for the word frequency table
 2 frequency_table = _create_dictionary_table(article)
 3
 4 # Tokenizing the sentences
 5 sentences = sent_tokenize(article)
 6
 7 # Algorithm for scoring a sentence by its words
 8 sentence_scores = _calculate_sentence_scores(sentences, frequency_table)
 9
10 # Getting the threshold
11 threshold = _calculate_average_score(sentence_scores)
12
13 # Producing the summary
14 article_summary = _get_article_summary(sentences, sentence_scores, 1.5 * threshold)
15
16 print(article_summary)

第一步：准备数据

这里使用了Beautiful Soup库。

 1 import bs4 as BeautifulSoup
 2 import urllib.request 
 3
 4 # Fetching the content from the URL
 5 fetched_data = urllib.request.urlopen('https://en.wikipedia.org/wiki/20th_century')
 6
 7 article_read = fetched_data.read()
 8
 9 # Parsing the URL content and storing in a variable
10 article_parsed = BeautifulSoup.BeautifulSoup(article_read,'html.parser')
11
12 # Returning <p> tags
13 paragraphs = article_parsed.find_all('p')
14
15 article_content = ''
16
17 # Looping through the paragraphs and adding them to the variable
18 for p in paragraphs: 
19 article_content += p.text

使用urllib.request实现网页数据的抓取，再调用BeautifulSoup来解析网页数据。

第二步：数据处理

为确保抓取到的文本数据尽可能没有噪音，需要做一些基本的文本清理。这里使用了NLTK的stopwords和PorterStemmer。

PorterStemmer可以将单词还原为词根形式，就是说能把 cleaning, cleaned, cleaner 都还原成 clean。

此外还要创建一个字典，来存储文本中每一个单词的出现频率。

循环整个文本来消除 “a”、“the” 这样的停止词，并记录单词们的出现频率。

 1from nltk.corpus import stopwords
 2from nltk.stem import PorterStemmer
 3def _create_dictionary_table(text_string) -> dict:
 4
 5 # Removing stop words
 6 stop_words = set(stopwords.words("english"))
 7
 8 words = word_tokenize(text_string)
 9
10 # Reducing words to their root form
11 stem = PorterStemmer()
12
13 # Creating dictionary for the word frequency table
14 frequency_table = dict()
15 for wd in words:
16 wd = stem.stem(wd)
17 if wd in stop_words:
18 continue
19 if wd in frequency_table:
20 frequency_table[wd] += 1
21 else:
22 frequency_table[wd] = 1
23
24 return frequency_table

第三步：将文章标注成句子

1 from nltk.tokenize import word_tokenize, sent_tokenize
2
3 sentences = sent_tokenize(article)

第四步：计算句子的权重

句子的权重取决于它包含的单词的出现频率。

 1def _calculate_sentence_scores(sentences, frequency_table) -> dict: 
 2
 3 # Algorithm for scoring a sentence by its words
 4 sentence_weight = dict()
 5
 6 for sentence in sentences:
 7 sentence_wordcount = (len(word_tokenize(sentence)))
 8 sentence_wordcount_without_stop_words = 0
 9 for word_weight in frequency_table:
10 if word_weight in sentence.lower():
11 sentence_wordcount_without_stop_words += 1
12 if sentence[:7] in sentence_weight:
13 sentence_weight[sentence[:7]] += frequency_table[word_weight]
14 else:
15 sentence_weight[sentence[:7]] = frequency_table[word_weight]
16
17 sentence_weight[sentence[:7]] = sentence_weight[sentence[:7]] / sentence_wordcount_without_stop_words
18
19 return sentence_weight

需要注意的是，长句有可能得到不必要的高分，为了避免这一点，要将句子的总分数除以该句的单词数。

第五步：计算句子的阈值

为了进一步优化结果，要计算句子的平均分数。使用此阈值，可以避免分数较低的句子的干扰。

 1def _calculate_average_score(sentence_weight) -> int:
 2
 3 # Calculating the average score for the sentences
 4 sum_values = 0
 5 for entry in sentence_weight:
 6 sum_values += sentence_weight[entry]
 7
 8 # Getting sentence average value from source text
 9 average_score = (sum_values / len(sentence_weight))
10
11 return average_score

如果感兴趣，FloydHub提供了进行深度学习模型训练的环境，你可以在FloydHub Notebook上运行整个代码。

还可以更上档次

以上只是机器学习中文本摘要算法的入门小知识，想要达到更上档次的效果，甚至可以把抽取式方法和概要式方法结合起来。

△ 图片来自Taming Recurrent Neural Networks for Better Summarization

传送门

如果还想更深入地了解机器学习中的文本摘要，不妨看看以下资源。

WikiHow，一个大规模、高质量的文本摘要数据集：

https://www.wikihow.com/Main-Page

WikiHow食用指南：

https://arxiv.org/pdf/1810.09305.pdf

用指针生成网络（Pointer-Generator Networks）实现文本摘要：

https://arxiv.org/pdf/1704.04368.pdf

http://www.abigailsee.com/2017/04/16/taming-rnns-for-better-summarization.html

如何在文本摘要中使用基于预训练的编码器-解码器框架：

https://arxiv.org/pdf/1902.09243.pdf

原文链接：

https://blog.floydhub.com/gentle-introduction-to-text-summarization-in-machine-learning/

— 完 —