2021SC@SDUSC 

上一篇博客中，我们完成了对项目中utils.py的分析，在本篇博客中，我们将分析pke中的tfidf.py文件，首先我们将结合论文分析tf-idf指标的计算方法，接着结合实例的使用和tf-idf源码进行分析。

一、 tf-idf的计算方法

我们知道，关键短语生成问题实际上是为一系列短语提供排名，所以我们需要一些方法去为候选的短语进行排名，我们注意到词汇和语意的相似性对关键短语的排名是非常重要的，因此本项目结合了两种相似性进行排名，以得到sliver labels.

首先是嵌入相似性，我们知道，像类似于WordVec和Doc2Vec技术是可以将提取的关键短语和文档编码在同一空间中的，因为此，语意相似性就可以用空间中的余弦距离来测量，本篇文章中wikipedia英文数据集训练好的Doc2Vec模型将语料库中的文档和候选关键短语都编码成300维度的向量，如果我们将文档和关键短语的嵌入表示为,，那么语意相似性层面可用公式以下公式计算： 

而TF-IDF衡量的是词汇级别的相似性，特别地，对于一个预料库，其中一个文档，其含有的单词数为, 对于短语而言，其在文档出现的次数计作,而表示了在语料库中，有多少文章中出现了短语.其在词汇级别的相似度可以如下表示：

当文档很长时，TF-IDF的评分是稳定的，Doc2Vec对短文档和相对较长的文档的编码都很可靠，用几何平均数将语意和词汇相似性结合起来，便可综合考虑两种相似性。其最终计算公式如下：

二、pke的tf-idf使用实例

 下面给出关键词提取后用tf-idf评分的一个例子并分析相关代码。

import string
import pke

# 创建一个TfIdf extractor
extractor = pke.unsupervised.TfIdf()

# 加载文档内容
extractor.load_document(input='path/to/input',
                        language='en',
                        normalization=None)

# 选择不包含标点符号的{1-3}语法作为候选
extractor.candidate_selection(n=3,stoplist=list(string.punctuation))

# 使用' tf ' x ' idf '对候选项进行加权
df = pke.load_document_frequency_file(input_file='path/to/df.tsv.gz')
extractor.candidate_weighting(df=df)

# 把得分最高的10个候选短语作为关键短语
keyphrases = extractor.get_n_best(n=10)

首先是导入了pke包，然后在pke的unsupervised方法中，创建一个TfIdf对象作为extractor，调用load_document函数加载文档，将stoplist赋值为标点符号的list，即关键短语不含标点符号，ngram特征为3。之后载入文档频率文件，指定其输入路径，得到的结果为candidate_weighting的参数df，最后调用get_n_best方法得到了得分最高的10歌候选关键短语。

三、tfidf源码的分析

tfidf.py的结构如下，主要有两个函数，candidate_selection和candidate_weighting，前一个函数实现了关键词的提取，后一个函数用tf-idf给关键词进行排序。

 首先是导入相关的包。

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import math
import string
import logging # 日志模块

from pke.base import LoadFile
from pke.utils import load_document_frequency_file # 加载文档频率文件

我们先来看candidate_selection函数：

def candidate_selection(self, n=3, stoplist=None, **kwargs):
    # 选取1-3gram特征的短语作为keyphrase candidate
    # 从1-3选择ngram
    self.ngram_selection(n=n)

    # 如果没有stopplist，则初始化stopplist为空列表
    if stoplist is None:
        stoplist = list(string.punctuation)

    # 过滤包含标点符号的候选关键短语
    self.candidate_filtering(stoplist=stoplist)

 关于该函数的参数：

• n:期望输入的为int数值，为ngram的n，默认为3
• stoplist:期望输入为list类型，用于过滤候选关键短语的stoplist(停词列表)，默认为“None”
• 来自'string.punctuation'符号标记的单词是不被允许的

再看candidate_weighting函数：

def candidate_weighting(self, df=None):
#使用文档频率的候选关键词的得分计算函数

    # 如果没有提供文档频率计数，则初始化默认文档频率计数
    if df is None:
        logging.warning('LoadFile._df_counts is hard coded to {}'.format(self._df_counts))
        df = load_document_frequency_file(self._df_counts, delimiter='\t')

    # 初始化文档数量为--NB_DOC--+ 1
    N = 1 + df.get('--NB_DOC--', 0)

    # 循环candidates
    for k, v in self.candidates.items():
        # 获取候选文档频率
        candidate_df = 1 + df.get(k, 0)
        # 计算idf得分
        idf = math.log(N / candidate_df, 2)
        # 将idf分数添加到权重容器中
        self.weights[k] = len(v.surface_forms) * idf

关于参数df的说明：df为文档的频率，文档的数量使用"--NB_DOC--" 键指定。