（纯属为了记录自己学习的点滴过程，引用资料都附在参考列表）

1 基本概念

关键句提取
在一些场合，关键词或关键短语依然显得碎片化，不足以表达完整的主题。这时通常提取中心句子作为文章的简短摘要。

2 问题

关键句提取；

3 解决思路

基本思想：
由于一篇文章中几乎不可能出现相同的两个句子，所以朴素的 PageRank 在句子颗粒度上行不通。为了将 PageRank 利用到句子颗粒度上去，我们引人 BM25 算法衡量句子的相似度，改进链接的权重计算。这样窗口的中心句与相邻的句子间的链接变得有强有弱，相似的句子将得到更高的投票。而文章的中心句往往与其他解释说明的句子存在较高的相似性，这恰好为算法提供了落脚点。

BM25：
$BM25(D,Q)={\sum }_{i=1}^{n}IDF(q_i)\cdot \frac{TF(q_i,D)\cdot (k_1+1)}{TF(q_i,D)+k_1\cdot (1-b+b\cdot \frac{|D|}{avgDL})}$

有了BM25算法之后，将一个句子视作查询语句，相邻的句子视作待查询的文档，就能得到它们之间的相似度。以此相似度作为 PageRank 中的链接的权重，于是得到一种改进算法，称为TextRank。它的形式化计算方法如下:

$WS(V_i)=(1-d)+d\times {\sum }_{V_j\in In(V_j)}\frac{BM25(V_i,V_j)}{{\sum }_{V_k\in Out(V_j)}BM25(V_k,V_j)}WS(V_j)$

其中，WS(Vi) 就是文档中第 i 个句子的得分，重复迭代该表达式若干次之后得到最终的分值，排序后输出前 N 个即得到关键句。另外，由于文档中句子的数量远远小于单词的数量，并且句子几乎不重复，所以通常不再取窗口，而认为所有的句子都是相邻的。

4 实现

from pyhanlp import *"""自动摘要"""
document = '''水利部水资源司司长陈明忠9月29日在国务院新闻办举行的新闻发布会上透露，
根据刚刚完成了水资源管理制度的考核，有部分省接近了红线的指标，
有部分省超过红线的指标。对一些超过红线的地方，陈明忠表示，对一些取用水项目进行区域的限批，
严格地进行水资源论证和取水许可的批准。'''TextRankSentence = JClass("com.hankcs.hanlp.summary.TextRankSentence")
sentence_list = HanLP.extractSummary(document, 3)
print(sentence_list)

运行结果：

[严格地进行水资源论证和取水许可的批准,水利部水资源司司长陈明忠9月29日在国务院新闻办举行的新闻发布会上透露,有部分省超过红线的指标]

5 参考文献

1. 何晗《自然语言处理入门》；
2. 宗成庆《统计自然语言处理》；
3. 李航《统计学习方法》；

6 需要解决的问题

1. 理解PageRank算法本身及系列变形的数学细节；