变身抓重点小能手：机器学习中的文本摘要入门指南

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。

变身抓重点小能手：机器学习中的文本摘要入门指南 | 资源

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。

变身抓重点小能手：机器学习中的文本摘要入门指南 | 资源

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。

变身抓重点小能手：机器学习中的文本摘要入门指南 | 资源

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。

变身抓重点小能手：机器学习中的文本摘要入门指南 | 资源

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。

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：

夜里志明春娇乘坐出租车去城里聚会
聚会春娇晕倒送医院
诊断脑损伤医生告诉志明陪着好起来
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...\_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

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。