nlp中文文本摘要提取，快速提取文本主要意思

悠悠 2022-11-12 12:57 342阅读 0赞

## 文本摘要提取 ##

之前写过一版 文本摘要提取，但那版并不完美。有所缺陷（但也获得几十次收藏）。  
[中文文本摘要提取 （文本摘要提取 有代码）基于python][_ _python]

今天写改进版的文本摘要提取。

文本摘要旨在将文本或文本集合转换为包含关键信息的简短摘要。文本摘要按照输入类型可分为单文档摘要和多文档摘要。单文档摘要从给定的一个文档中生成摘要，多文档摘要从给定的一组主题相关的文档中生成摘要。按照输出类型可分为抽取式摘要和生成式摘要。  
摘要：意思就是从一段文本 用几句话来概括这段话的意思

范例文本

> 花果园中央商务区F4栋楼B33城，时尚星廊，市民来电反映在此店消费被欺骗，该店承诺消费不用钱但后来需要收钱，并且此处工作人员表示自己是著名发型师，市民表示向花果园工商局反映后工作人员不作为，并且自己有相关证据，但花果园工商局叫其自己进行协商，市民希望职能部门能够尽快处理此问题，对此店的行为进行处罚并且将自己的钱退还，请职能部门及时处理。商家联系方式：11111111111。

最后的结果图  
![20210324113207523.png_pic_center][]  
结果

> \{‘mean\_scoredsenteces’: \[‘花果园中央商务区F4栋楼B33城，’, ‘市民来电反映在此店消费被欺骗，’, ‘该店承诺消费不用钱但后来需要收钱，’, ‘市民表示向花果园工商局反映后工作人员不作为，’\]\}  
> \{‘topnsenteces’: \[‘花果园中央商务区F4栋楼B33城，’, ‘该店承诺消费不用钱但后来需要收钱，’, ‘市民表示向花果园工商局反映后工作人员不作为，’\]\}

## 实现过程 ##

第一步：分句

#coding:utf-8
    texts="""花果园中央商务区F4栋楼B33城，时尚星廊，市民来电反映在此店消费被欺骗，该店承诺消费不用钱但后来需要收钱，并且此处工作人员表示自己是著名发型师，市民表示向花果园工商局反映后工作人员不作为，并且自己有相关证据，但花果园工商局叫其自己进行协商，市民希望职能部门能够尽快处理此问题，对此店的行为进行处罚并且将自己的钱退还，请职能部门及时处理。商家联系方式：11111111111。"""
    
    def sent_tokenizer(texts):
        start=0
        i=0#每个字符的位置
        sentences=[]
        punt_list=',.!?:;~，。！？：；～'#标点符号
    
        for text in texts:#遍历每一个字符
            if text in punt_list and token not in punt_list: #检查标点符号下一个字符是否还是标点
                sentences.append(texts[start:i+1])#当前标点符号位置
                start=i+1#start标记到下一句的开头
                i+=1
            else:
                i+=1#若不是标点符号，则字符位置继续前移
                token=list(texts[start:i+2]).pop()#取下一个字符.pop是删除最后一个
        if start<len(texts):
            sentences.append(texts[start:])#这是为了处理文本末尾没有标点符号的情况
        return sentences
    
    sentence=sent_tokenizer(str(texts))
    print(sentence)

![20210324095316812.png_pic_center][]

第二步：加载停用词  
停用词：见[nlp 中文停用词数据集][nlp]

#停用词
    def stopwordslist(filepath):
        stopwords = [line.strip() for line in open(filepath, 'r', encoding='gbk').readlines()]
        return stopwords
    # 加载停用词
    stopwords = stopwordslist("停用词.txt")

第三步：取出高频词  
我这里取出的前20个高频词  
针对不同长度的文本可以取更多的高频词，文本越长，需要的高频词越多

import nltk
    import jieba
    import numpy
    
    stopwords = stopwordslist("停用词.txt")
    sentence=sent_tokenizer(texts)#分句
    words=[w for sentence in sentence for w in jieba.cut(sentence) if w not in stopwords if len(w)>1 and w!='\t']#词语，非单词词，同时非符号
    wordfre=nltk.FreqDist(words)#统计词频
    topn_words=[w[0] for w in sorted(wordfre.items(),key=lambda d:d[1],reverse=True)][:20]#取出词频最高的20个单词

![20210324101717512.png_pic_center][]

第四步：核心代码：给句子打分  
思路

1.  传入参数：sentences，topn\_words。sentences为分句文本，topn\_words为高频词数组
2.  准备好记录每个分句的得分 数组 scores=\[\] ，初始化句子标号-1 ：sentence\_idx=-1
3.  对每一个分句分词。得到分句分词数组
4.  遍历每一个分句分词数组： for s in \[list(jieba.cut(s)) for s in sentences\]
5.  句子索引+1。0表示第一个句子：sentence\_idx+=1
6.  准备好word\_idx=\[\] ，用来存放高频词在当前分句中的索引位置
7.  遍历每一个高频词
8.  记录高频词在当前分句出现索引位置
9.  对word\_idx进行排序，得到的word\_idx 类似1, 2, 3, 4, 5\]或者\[0, 1\] 其中的0,1表示高频词在当前分句出现的索引位置
10. 对得到 的 word\_idx 进行聚类，初始化clusters=\[\]， cluster=\[word\_idx\[0\]\] ，clusters存放的是当前分句的所有簇， cluster存放的是一个簇 。
11. 对当前分句的word\_idx 中的高频词索引进行遍历，如果相邻两个高频词索引位置差小于阈值（我设为2，如果文本过长，阈值需增大），则这两个词是一类，添加进 cluster。
12. clusters添加cluster 。得到clusters类似\[\[0, 1, 2\], \[4, 5\], \[7\]\]。（当前分句高频词索引为012457）
13. 遍历clusters中的每一个簇，对每个簇进行打分，打分公式为：当前分句高频词总个数\*当前分句高频词总个数/当前分句最后一个高频词与第一个高频词之间的距离
14. 存放当前分句的最高分簇。
15. 记录当前分句的的得分，记录格式（分句标号，簇的最高分）
16. 重复步骤4-15 ，开始对下一个分句打分
17. 返回 scores

def _score_sentences(sentences,topn_words):#参数 sentences：文本组（分好句的文本，topn_words：高频词组
        scores=[]
        sentence_idx=-1#初始句子索引标号-1
        for s in [list(jieba.cut(s)) for s in sentences]:# 遍历每一个分句，这里的每个分句是 分词数组 分句1类似 ['花', '果园', '中央商务区', 'F4', '栋楼', 'B33', '城', '，']
            sentence_idx+=1 #句子索引+1。。0表示第一个句子
            word_idx=[]#存放高频词在分句中的索引位置.得到结果类似：[1, 2, 3, 4, 5]，[0, 1]，[0, 1, 2, 4, 5, 7]..
            for w in topn_words:#遍历每一个高频词
                try:
                    word_idx.append(s.index(w))#高频词出现在该分句子中的索引位置
                except ValueError:#w不在句子中
                    pass
            word_idx.sort()
            if len(word_idx)==0:
                continue
    
            #对于两个连续的单词，利用单词位置索引，通过距离阀值计算族
            clusters=[] #存放的是几个cluster。类似[[0, 1, 2], [4, 5], [7]]
            cluster=[word_idx[0]] #存放的是一个类别（簇） 类似[0, 1, 2]
            i=1
            while i<len(word_idx):#遍历 当前分句中的高频词
                CLUSTER_THRESHOLD=2#举例阈值我设为2
                if word_idx[i]-word_idx[i-1]<CLUSTER_THRESHOLD:#如果当前高频词索引 与前一个高频词索引相差小于3，
                    cluster.append(word_idx[i])#则认为是一类
                else:
                    clusters.append(cluster[:])#将当前类别添加进clusters=[] 
                    cluster=[word_idx[i]] #新的类别
                i+=1
            clusters.append(cluster)
            
            #对每个族打分，每个族类的最大分数是对句子的打分
            max_cluster_score=0
            for c in clusters:#遍历每一个簇
                significant_words_in_cluster=len(c)#当前簇 的高频词个数
                total_words_in_cluster=c[-1]-c[0]+1#当前簇里 最后一个高频词 与第一个的距离 
                score=1.0*significant_words_in_cluster*significant_words_in_cluster/total_words_in_cluster
                if score>max_cluster_score:
                    max_cluster_score=score
            scores.append((sentence_idx,max_cluster_score))#存放当前分句的最大簇（说明下，一个分解可能有几个簇） 存放格式（分句索引，分解最大簇得分）
        return scores;
    scored_sentences=_score_sentences(sentence,topn_words)
    print(scored_sentences)

![20210324103645305.png_pic_center][]

第五步：摘要提取  
方法1：利用均值和标准差过滤非重要句子

avg=numpy.mean([s[1] for s in scored_sentences])#均值
    std=numpy.std([s[1] for s in scored_sentences])#标准差
    mean_scored=[(sent_idx,score) for (sent_idx,score) in scored_sentences if score>(avg+0.5*std)]#sent_idx 分句标号，score得分
    c= dict(mean_scored_summary=[sentence[idx] for (idx,score) in mean_scored])
    print(c)

![20210324110516141.png_pic_center][] 方法2：返回得分最高的几个句子

top_n_scored=sorted(scored_sentences,key=lambda s:s[1])[-3:]#对得分进行排序，取出3个句子
    top_n_scored=sorted(top_n_scored,key=lambda s:s[0])#对得分最高的几个分句，进行分句位置排序
    c= dict(top_n_summary=[sentence[idx] for (idx,score) in top_n_scored])
    print(c)

![20210324110908773.png_pic_center][]

第五步：整理后的全文代码

#coding:utf-8
    import nltk
    import jieba
    import numpy
    
    
    
    #分句
    def sent_tokenizer(texts):
        start=0
        i=0#每个字符的位置
        sentences=[]
        punt_list=',.!?:;~，。！？：；～'#标点符号
    
        for text in texts:#遍历每一个字符
            if text in punt_list and token not in punt_list: #检查标点符号下一个字符是否还是标点
                sentences.append(texts[start:i+1])#当前标点符号位置
                start=i+1#start标记到下一句的开头
                i+=1
            else:
                i+=1#若不是标点符号，则字符位置继续前移
                token=list(texts[start:i+2]).pop()#取下一个字符.pop是删除最后一个
        if start<len(texts):
            sentences.append(texts[start:])#这是为了处理文本末尾没有标点符号的情况
        return sentences
    
    #对停用词加载
    def stopwordslist(filepath):
        stopwords = [line.strip() for line in open(filepath, 'r', encoding='gbk').readlines()]
        return stopwords
    
    #对句子打分
    def score_sentences(sentences,topn_words):#参数 sentences：文本组（分好句的文本，topn_words：高频词组
        scores=[]
        sentence_idx=-1#初始句子索引标号-1
        for s in [list(jieba.cut(s)) for s in sentences]:# 遍历每一个分句，这里的每个分句是 分词数组 分句1类似 ['花', '果园', '中央商务区', 'F4', '栋楼', 'B33', '城', '，']
            sentence_idx+=1 #句子索引+1。。0表示第一个句子
            word_idx=[]#存放关键词在分句中的索引位置.得到结果类似：[1, 2, 3, 4, 5]，[0, 1]，[0, 1, 2, 4, 5, 7]..
            for w in topn_words:#遍历每一个高频词
                try:
                    word_idx.append(s.index(w))#关键词出现在该分句子中的索引位置
                except ValueError:#w不在句子中
                    pass
            word_idx.sort()
            if len(word_idx)==0:
                continue
    
            #对于两个连续的单词，利用单词位置索引，通过距离阀值计算族
            clusters=[] #存放的是几个cluster。类似[[0, 1, 2], [4, 5], [7]]
            cluster=[word_idx[0]] #存放的是一个类别（簇） 类似[0, 1, 2]
            i=1
            while i<len(word_idx):#遍历 当前分句中的高频词
                CLUSTER_THRESHOLD=2#举例阈值我设为2
                if word_idx[i]-word_idx[i-1]<CLUSTER_THRESHOLD:#如果当前高频词索引 与前一个高频词索引相差小于3，
                    cluster.append(word_idx[i])#则认为是一类
                else:
                    clusters.append(cluster[:])#将当前类别添加进clusters=[]
                    cluster=[word_idx[i]] #新的类别
                i+=1
            clusters.append(cluster)
    
            #对每个族打分，每个族类的最大分数是对句子的打分
            max_cluster_score=0
            for c in clusters:#遍历每一个簇
                significant_words_in_cluster=len(c)#当前簇 的高频词个数
                total_words_in_cluster=c[-1]-c[0]+1#当前簇里 最后一个高频词 与第一个的距离
                score=1.0*significant_words_in_cluster*significant_words_in_cluster/total_words_in_cluster
                if score>max_cluster_score:
                    max_cluster_score=score
            scores.append((sentence_idx,max_cluster_score))#存放当前分句的最大簇（说明下，一个分解可能有几个簇） 存放格式（分句索引，分解最大簇得分）
        return scores;
    
    #结果输出
    def results(texts,topn_wordnum,n):#texts 文本，topn_wordnum高频词个数,为返回几个句子
        stopwords = stopwordslist("停用词.txt")#加载停用词
        sentence = sent_tokenizer(texts)  # 分句
        words = [w for sentence in sentence for w in jieba.cut(sentence) if w not in stopwords if
                 len(w) > 1 and w != '\t']  # 词语，非单词词，同时非符号
        wordfre = nltk.FreqDist(words)  # 统计词频
        topn_words = [w[0] for w in sorted(wordfre.items(), key=lambda d: d[1], reverse=True)][:topn_wordnum]  # 取出词频最高的topn_wordnum个单词
    
        scored_sentences = score_sentences(sentence, topn_words)#给分句打分
    
        # 1,利用均值和标准差过滤非重要句子
        avg = numpy.mean([s[1] for s in scored_sentences])  # 均值
        std = numpy.std([s[1] for s in scored_sentences])  # 标准差
        mean_scored = [(sent_idx, score) for (sent_idx, score) in scored_sentences if
                       score > (avg + 0.5 * std)]  # sent_idx 分句标号，score得分
    
        # 2，返回top n句子
        top_n_scored = sorted(scored_sentences, key=lambda s: s[1])[-n:]  # 对得分进行排序，取出n个句子
        top_n_scored = sorted(top_n_scored, key=lambda s: s[0])  # 对得分最高的几个分句，进行分句位置排序
        c = dict(mean_scoredsenteces=[sentence[idx] for (idx, score) in mean_scored])
        c1=dict(topnsenteces=[sentence[idx] for (idx, score) in top_n_scored])
        return c,c1
    
    if __name__=='__main__':
        texts = str(input('请输入文本：'))
        topn_wordnum=int(input('请输入高频词数：'))
        n=int(input('请输入要返回的句子个数：'))
        c,c1=results(texts,topn_wordnum,n)
        print(c)
        print(c1)

![20210324112658735.png_pic_center][]

## 简单界面程序 ##

封装成简单 界面

超级简单额界面程序，懒得写太复杂的界面

#coding:utf-8
    import nltk
    import jieba
    import numpy
    
    
    
    #分句
    def sent_tokenizer(texts):
        start=0
        i=0#每个字符的位置
        sentences=[]
        punt_list=',.!?:;~，。！？：；～'#标点符号
    
        for text in texts:#遍历每一个字符
            if text in punt_list and token not in punt_list: #检查标点符号下一个字符是否还是标点
                sentences.append(texts[start:i+1])#当前标点符号位置
                start=i+1#start标记到下一句的开头
                i+=1
            else:
                i+=1#若不是标点符号，则字符位置继续前移
                token=list(texts[start:i+2]).pop()#取下一个字符.pop是删除最后一个
        if start<len(texts):
            sentences.append(texts[start:])#这是为了处理文本末尾没有标点符号的情况
        return sentences
    
    #对停用词加载
    def stopwordslist(filepath):
        stopwords = [line.strip() for line in open(filepath, 'r', encoding='gbk').readlines()]
        return stopwords
    
    #对句子打分
    def score_sentences(sentences,topn_words):#参数 sentences：文本组（分好句的文本，topn_words：高频词组
        scores=[]
        sentence_idx=-1#初始句子索引标号-1
        for s in [list(jieba.cut(s)) for s in sentences]:# 遍历每一个分句，这里的每个分句是 分词数组 分句1类似 ['花', '果园', '中央商务区', 'F4', '栋楼', 'B33', '城', '，']
            sentence_idx+=1 #句子索引+1。。0表示第一个句子
            word_idx=[]#存放关键词在分句中的索引位置.得到结果类似：[1, 2, 3, 4, 5]，[0, 1]，[0, 1, 2, 4, 5, 7]..
            for w in topn_words:#遍历每一个高频词
                try:
                    word_idx.append(s.index(w))#关键词出现在该分句子中的索引位置
                except ValueError:#w不在句子中
                    pass
            word_idx.sort()
            if len(word_idx)==0:
                continue
    
            #对于两个连续的单词，利用单词位置索引，通过距离阀值计算族
            clusters=[] #存放的是几个cluster。类似[[0, 1, 2], [4, 5], [7]]
            cluster=[word_idx[0]] #存放的是一个类别（簇） 类似[0, 1, 2]
            i=1
            while i<len(word_idx):#遍历 当前分句中的高频词
                CLUSTER_THRESHOLD=2#举例阈值我设为2
                if word_idx[i]-word_idx[i-1]<CLUSTER_THRESHOLD:#如果当前高频词索引 与前一个高频词索引相差小于3，
                    cluster.append(word_idx[i])#则认为是一类
                else:
                    clusters.append(cluster[:])#将当前类别添加进clusters=[]
                    cluster=[word_idx[i]] #新的类别
                i+=1
            clusters.append(cluster)
    
            #对每个族打分，每个族类的最大分数是对句子的打分
            max_cluster_score=0
            for c in clusters:#遍历每一个簇
                significant_words_in_cluster=len(c)#当前簇 的高频词个数
                total_words_in_cluster=c[-1]-c[0]+1#当前簇里 最后一个高频词 与第一个的距离
                score=1.0*significant_words_in_cluster*significant_words_in_cluster/total_words_in_cluster
                if score>max_cluster_score:
                    max_cluster_score=score
            scores.append((sentence_idx,max_cluster_score))#存放当前分句的最大簇（说明下，一个分解可能有几个簇） 存放格式（分句索引，分解最大簇得分）
        return scores;
    
    #结果输出
    def results(texts,topn_wordnum,n):#texts 文本，topn_wordnum高频词个数,为返回几个句子
        stopwords = stopwordslist("停用词.txt")#加载停用词
        sentence = sent_tokenizer(texts)  # 分句
        words = [w for sentence in sentence for w in jieba.cut(sentence) if w not in stopwords if
                 len(w) > 1 and w != '\t']  # 词语，非单词词，同时非符号
        wordfre = nltk.FreqDist(words)  # 统计词频
        topn_words = [w[0] for w in sorted(wordfre.items(), key=lambda d: d[1], reverse=True)][:topn_wordnum]  # 取出词频最高的topn_wordnum个单词
    
        scored_sentences = score_sentences(sentence, topn_words)#给分句打分
    
        # 1,利用均值和标准差过滤非重要句子
        avg = numpy.mean([s[1] for s in scored_sentences])  # 均值
        std = numpy.std([s[1] for s in scored_sentences])  # 标准差
        mean_scored = [(sent_idx, score) for (sent_idx, score) in scored_sentences if
                       score > (avg + 0.5 * std)]  # sent_idx 分句标号，score得分
    
        # 2，返回top n句子
        top_n_scored = sorted(scored_sentences, key=lambda s: s[1])[-n:]  # 对得分进行排序，取出n个句子
        top_n_scored = sorted(top_n_scored, key=lambda s: s[0])  # 对得分最高的几个分句，进行分句位置排序
        c = dict(mean_scoredsenteces=[sentence[idx] for (idx, score) in mean_scored])
        c1=dict(topnsenteces=[sentence[idx] for (idx, score) in top_n_scored])
        return c,c1
    
    
    from PyQt5.QtWidgets import QApplication, QWidget, QTextEdit, QVBoxLayout, QPushButton,QLabel,QLineEdit,QFormLayout
    import sys
    
    class TextEditDemo(QWidget):
        def __init__(self, parent=None):
            super(TextEditDemo, self).__init__(parent)
            self.setWindowTitle("中文摘要提取")
            self.resize(500, 570)
            self.label1 = QLabel('输入文本')
            self.textEdit1 = QTextEdit()
    
            self.lineedit1 = QLineEdit()#请输入高频词数
    
            self.lineedit2 = QLineEdit()#请输入返回句子数
    
            self.btnPress1 = QPushButton("点击运行")
    
            self.textEdit2 = QTextEdit()#方法1显示
            self.textEdit3 = QTextEdit()#方法2 显示
    
            flo = QFormLayout()#表单布局
    
            flo.addRow("请输入高频词数:", self.lineedit1)
            flo.addRow("请输入返回句子数:", self.lineedit2)
    
            layout = QVBoxLayout()
            layout.addWidget(self.label1)
            layout.addWidget(self.textEdit1)
            layout.addLayout(flo)
            layout.addWidget(self.btnPress1)
            layout.addWidget(self.textEdit2)
            layout.addWidget(self.textEdit3)
            self.setLayout(layout)
            self.btnPress1.clicked.connect(self.btnPress1_Clicked)
    
        def btnPress1_Clicked(self):
            try:
                text = self.textEdit1.toPlainText()  # 返回输入的文本
                topn_wordnum =  int(self.lineedit1.text())  # 高频词 20
                n =  int(self.lineedit2.text()) # 3个返回句子
                c, c1 = results(str(text), topn_wordnum, n)
                self.textEdit2.setPlainText(str(c))
                self.textEdit2.setStyleSheet("font:10pt '楷体';border-width:5px;border-style: inset;border-color:gray")
    
                self.textEdit3.setPlainText(str(c1))
                self.textEdit3.setStyleSheet("font:10pt '楷体';border-width:5px;border-style: inset;border-color:red")
    
            except:
                self.textEdit2.setPlainText('操作失误')
                self.lineedit1.setText('操作失误，请输入整数')
                self.lineedit2.setText('操作失误，请输入整数')
    
    
    if __name__ == "__main__":
        app = QApplication(sys.argv)
        win = TextEditDemo()
        win.show()
        sys.exit(app.exec_())

![20210324134617562.png_pic_center][] ![20210324134744302.png_pic_center][] ![20210324140404431.png_pic_center][]

![在这里插入图片描述][20210324140448199.jpg_pic_center]  
作者：电气 余登武  
![20210324140600565.jpg_pic_center][]

[_ _python]: https://blog.csdn.net/kobeyu652453/article/details/106887195
[20210324113207523.png_pic_center]: /images/20221022/015c7f2739304d9cb41667fb8200ba8f.png
[20210324095316812.png_pic_center]: https://img-blog.csdnimg.cn/20210324095316812.png#pic_center
[nlp]: https://blog.csdn.net/kobeyu652453/article/details/106939559
[20210324101717512.png_pic_center]: https://img-blog.csdnimg.cn/20210324101717512.png#pic_center
[20210324103645305.png_pic_center]: https://img-blog.csdnimg.cn/20210324103645305.png#pic_center
[20210324110516141.png_pic_center]: https://img-blog.csdnimg.cn/20210324110516141.png#pic_center
[20210324110908773.png_pic_center]: https://img-blog.csdnimg.cn/20210324110908773.png#pic_center
[20210324112658735.png_pic_center]: https://img-blog.csdnimg.cn/20210324112658735.png#pic_center
[20210324134617562.png_pic_center]: https://img-blog.csdnimg.cn/20210324134617562.png#pic_center
[20210324134744302.png_pic_center]: https://img-blog.csdnimg.cn/20210324134744302.png#pic_center
[20210324140404431.png_pic_center]: https://img-blog.csdnimg.cn/20210324140404431.png#pic_center
[20210324140448199.jpg_pic_center]: https://img-blog.csdnimg.cn/20210324140448199.jpg#pic_center
[20210324140600565.jpg_pic_center]: https://img-blog.csdnimg.cn/20210324140600565.jpg#pic_center