我很好奇是否存在通过使用一些权重计算、出现率或其他工具从给定文本生成关键字/标签的算法/方法。
此外,如果您为此指出任何基于 Python 的解决方案/库,我将不胜感激。
谢谢
最佳答案
执行此操作的一种方法是提取文档中出现频率高于您预期的单词。例如,假设在更大的文档集合中,“马尔可夫”一词几乎从未见过。但是,在同一集合中的特定文档中,马尔可夫非常频繁地出现。这表明马尔科夫可能是与文档相关联的一个很好的关键字或标签。
要识别这样的关键字,您可以使用 point-wise mutual information关键字和文档。这由 PMI(term, doc) = log [ P(term, doc)/(P(term)*P(doc)) ]
给出。这将粗略地告诉您,在特定文档中遇到该术语与在更大的集合中遇到它相比,您有多少(或更多)感到惊讶。
要确定与文档相关联的 5 个最佳关键字,您只需按其在文档中的 PMI 得分对术语进行排序,然后选择得分最高的 5 个。
如果要提取多词标签,请参阅 StackOverflow 问题 How to extract common / significant phrases from a series of text entries .
借用我对该问题的回答,NLTK collocations how-to涵盖如何做 在大约 7 行代码中使用 n-gram PMI 提取有趣的多词表达式,例如:
import nltk
from nltk.collocations import *
bigram_measures = nltk.collocations.BigramAssocMeasures()
# change this to read in your data
finder = BigramCollocationFinder.from_words(
nltk.corpus.genesis.words('english-web.txt'))
# only bigrams that appear 3+ times
finder.apply_freq_filter(3)
# return the 5 n-grams with the highest PMI
finder.nbest(bigram_measures.pmi, 5)
关于python - 从文本内容生成标签,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/2661778/