关键词提取是自然语言处理中的重要任务之一，用于自动提取文档中最能代表其内容的词汇。两种常用的关键词提取技术是 TF-IDF 和 TextRank。它们的工作机制和应用场景有所不同，下面将详细解释这两种技术。
1. TF-IDF（Term Frequency - Inverse Document Frequency）
TF-IDF 是一种统计方法，用于评估某个词语在一篇文档中的重要性，基于词频（TF）和逆文档频率（IDF）。它的基本原理是：某个词语在文档中出现的次数越多（高词频），且在整个语料库中出现的次数越少（低逆文档频率），那么该词在当前文档中的重要性就越高。
公式：
- TF（词频）：表示某个词在文档中出现的频率。它可以通过词在文档中的出现次数除以文档的总词数计算。
2. IDF（逆文档频率）：表示词在整个语料库中的稀有程度。它通过总文档数与包含该词的文档数之比的对数值计算。
3. TF-IDF：通过将词频（TF）和逆文档频率（IDF）相乘，计算出某个词的重要性得分。
TF-IDF(t)=TF(t)×IDF(t)
特点：
- 局限性：TF-IDF是基于统计的技术，因此它无法捕捉到词语之间的关系或上下文信息。
- 适用场景：适合需要从文档中提取最具代表性的单词的任务，如文本分类、搜索引擎优化、关键词推荐等。
2. TextRank
TextRank 是一种基于图（Graph）的无监督关键词提取算法，它是从PageRank算法中衍生而来，用于评估文本中每个词的重要性。TextRank通过构建词汇之间的关系图（共现关系）来计算每个词的权重，从而确定哪些词是最重要的关键词。
基本步骤：
-
文本预处理：将文档进行分词、去停用词和词干提取（或词形还原）。
-
构建词图：将文本中的词语作为图的节点。如果两个词在一个窗口中共同出现（窗口大小可以人为设置），则在这两个词之间建立一条边，表示它们具有一定的关联性。
-
边的权重：可以根据词语的共现次数或距离来赋予边权重。共现次数越多的词对彼此的重要性影响越大。
-
迭代计算：与PageRank算法相似，TextRank对图中的每个节点（词）进行迭代更新权重，直到收敛。计算公式为（因为不知道）：
其中， 表示句子 i 的权重，右侧的求和表示每个相邻句子对本句子的贡献程度，在单文档中，我们可以粗略的认为所有句子都是相邻的，不需要像多文档一样进行多个窗口的生成和抽取，仅需单一文档窗口即可，" In(i) 表示指向
的词集，Out(j) 是从
出发的词集，
表示两个句子的相似度，
代表上次迭代出的句子 j 的权重。d是阻尼系数，一股为0.85，以防止算法陷入死循环。
- 选择高分词作为关键词：最后，根据词的得分排序，选出得分最高的若干词作为关键词。
特点：
- 上下文信息：TextRank能够考虑到词语之间的共现关系，因此可以捕捉到词语的上下文信息。
- 无监督：它是一种无监督方法，不需要额外的标注数据。
- 适用场景：适用于抽取多词短语、摘要生成、关键词提取等任务，尤其适合从长文本中提取重要信息。
3. TF-IDF 与 TextRank 的对比
| 特点 | TF-IDF | TextRank |
|---|---|---|
| 依赖数据 | 依赖整个语料库 | 无需依赖全局语料库 |
| 处理方式 | 基于统计方法，忽略词与词之间的关系 | 基于图模型，考虑词的共现和上下文信息 |
| 关键词类型 | 通常提取单个词 | 可以提取多词短语 |
| 计算复杂度 | 计算简单，适合大规模数据 | 计算复杂，需要构建图结构 |
| 应用场景 | 搜索引擎、文本分类等 | 摘要生成、关键词提取等 |
4. 应用场景
- TF-IDF：
- 用于文档的关键词提取和文本分类，如新闻文章的主题提取。
- 搜索引擎中的文档检索系统，用于根据查询内容匹配相关文档。
- 文本聚类任务，帮助定义聚类中心的核心关键词。
- TextRank：
- 文本摘要生成：通过提取关键词或重要句子来生成文本摘要。
- 文档关键词提取：适合从较长的文本中提取重要关键词和短语。
- 内容推荐：根据提取的关键词为用户提供相关内容的推荐。
总结
TF-IDF 和 TextRank 都是广泛应用的关键词提取技术。TF-IDF通过统计词频和文档频率计算关键词的权重，适合处理结构化文档或大规模文档集。而TextRank利用图模型考虑词语之间的共现关系，适合无监督的关键词提取和文本摘要生成。在实际应用中，两者可以根据任务需求结合使用，例如使用TextRank来提取多词短语，使用TF-IDF来处理高频词。
