【 文智背后的奥秘 】系列篇：关键词智能提取

一.关键词自动标注简介

1.关键词自动标注

关键词是指能反映文本主题或者意思的词语，如论文中的Keyword字段。大多数人写文章的时候，不会像写论文的那样明确的指出文章的关键词是什么，关键词自动标注任务正是在这种背景下产生的。

目前，关键词自动标注方法分为两类：1）关键词分配，预先定义一个关键词词库，对于一篇文章，从词库中选取若干词语作为文章的关键词；2）关键词抽取，从文章的内容中抽取一些词语作为关键词。

2.应用场景

在文献检索初期，由于当时还不支持全文搜索，关键词就成为了搜索文献的重要途径。随着网络规模的增长，关键词成为了用户获取所需信息的重要工具，从而诞生了如Google、百度等基于关键词的搜索引擎公司。

关键词自动标注技术在推荐领域也有着广泛的应用。如图1所示，当用户阅读图中左边的新闻时，推荐系统可以给用户推荐包含关键词”Dropbox”、”云存储”的资讯，同时也可以根据文章关键词给用户推荐相关的广告。

图1基于关键词的资讯推荐系统

关键词可以作为用户兴趣的特征，从而满足用户的长尾阅读兴趣。传统的信息订阅系统一般使用类别或者主题作为订阅的内容，如图2所示。如果用户想订阅更细粒度的内容，这类系统就无能为力了。关键词作为一种对文章更细粒度的描述，刚好可以满足上述需求。

图2传统的订阅系统

除了这些以外，关键词还在文本聚类、分类、摘要等领域中有着重要的作用。比如在聚类时，将关键词相似的几篇文章看成一个类团可以大大提高K-means聚类的收敛速度。从某天所有新闻中提取出这些新闻的关键词，就可以大致知道那天发生了什么事情。或者将某段时间中几个人的微博拼成一篇长文本，然后抽取关键词就可以知道他们主要在讨论些什么话题。

3.现有问题与挑战

文章的关键词通常具有以下三个特点[1]：

• 可读性。关键词本身应该是有意义的词或者短语。例如，“我们约会吧”是有意义的短语，而“我们”则不是。
• 相关性。关键词必须与文章的主题相关。例如，一篇介绍巴萨在德比中输给皇马的新闻，其中可能顺带提到了“中超联赛”这个关短语，这时就不希望这个短语被选取作为该新闻的关键词。
• 覆盖度。关键词集合能对文章的主题有较好的覆盖度，不能只集中在文章的某个主题而忽略了文章的其他主题。

从上述三个特点，可以看到关键词标注算法的要求以及面临的挑战：

a.新词发现以及短语识别问题，怎样快速识别出网络上最新出现的词汇（人艰不拆、可行可珍惜…）？

b.关键词候选集合的问题，并不是文章中所有的词语都可以作为候选

c.怎么计算候选词和文章之间的相关性？

d.如何覆盖文章的各个主题？

关键词分配算法需要预先定义一个关键词词库，这就限定了关键词候选范围，算法的可扩展性较差，且耗时耗力；关键词抽取算法是从文章的内容中抽取一些词语作为标签词，当文章中没有质量较高的词语时，这类方法就无能为力了。为了解决上述这些问题和挑战，我们设计了层次化关键词自动标注算法.

二.层次化关键词自动标注算法

1.层次化关键词体系

针对新闻的关键词识别任务，我们设计了一套层次化的关键词体系，如图3所示。第一层是新闻频道（体育、娱乐、科技、etc），第二层是新闻的主题（一篇新闻可以包含多个主题）,第三次是文章中出现的标签词。

图3层次化关键词体系

三层关键词体系有以下几个优点：

• 三层关键词体系从不同角度描述文章所表达的内容，从而能让标注结果能更好地覆盖文章的各个主题，缓解了关键词覆盖度不够的问题。
• 由于各层之间有隶属关系，利用这种关系，可以抽取出更相关的关键词，如：“非诚勿扰”在娱乐新闻中可能是指娱乐节目或者电影，可以作为一个关键词；如果是出现在汽车新闻中，则不太可能是文章的关键词。

图4层次化关键词自动标注结果示例

2.算法流程

从图3中可以看出，主题和标签词依赖于新闻频道，所以在标注一篇新闻的关键词时，首先需要获取新闻的类别，然后根据新闻的类别选择不同的主题模型预测新闻的主题，最后再抽取新闻中的标签词。

在关键词标注方法上，我们融合了关键词分配和关键词抽取两类方法。图5描述了算法处理一篇文章的流程。其中频道和主题的抽取方法属于关键词分配这一类算法，标签词抽取则属于关键词抽取这一类算法。除了上一节中所说的层次化关键词的两个优点之外，我们的算法有如下几点好处：

• 关键词分配算法有效缓解关键词抽取算法召回不足的问题。
• 在关键词分配算法中，使用频道和主题代替传统的关键词，从而减少词库构建成本、增强算法的可移植性。

图5层次化关键词自动标注算法流程

2.1 文本分类器

文本分类器我们采用最大熵模型[2]，使用业务最近一年带频道标签的新闻作为训练集。每个频道选取频道相关度最高的1W个词语作为分类特征。

对于最大熵模型，网上可以找到很多相关资料，这里就不作介绍了。

2.2 主题预测

使用LDA[3]作为主题聚类模型。LDA开源的大部分开源实现都是单进程的，在处理较大规模的语料时，其时间和内存开销都非常大，无法满足我们的要求。因此我们实现了一套分布式的LDA平台，使得能够快速处理大规模的数据。

语料通过LDA平台处理后，会得到每个主题下概率较高的词语。人工选取质量较高的主题，并使用一个词语或者短语概括这个主题。对于一篇文章，LDA的inference结果是一个概率向量，我们选取概率值大于阈值的主题作为文章所属的主题。

图6高质量的主题

图7文章的主题关键词

2.3 标签词抽取

标签词抽取包括：生成候选词和相关性计算。下面分别介绍这两部分。

1)生成候选词

通过分词得到的基本词、短语等，过滤掉基本词中的停用词

命名实体（有效解决新词、热词的自动发现）

2)相关性计算

使用线性加权对候选词打分，其特征包括：

• TF*IDF
• 候选词和文章频道的相关程度
• 候选词和文章的相似度
• 候选词的长度
• 候选词出现的位置
• 候选词的类型（基本词、实体类型、短语等）

选取相关性得分大于阈值的候选词作为文章的标签词。

3.效果评价

在腾讯网上随机抽取的351篇新闻上做测试，各项指标如表格1所示。由于主题集合的开放性，其召回率很难评价，故只评价其准确率。

表格1 层次化关键词自动标注算法准召率

三.接入业务与展望

对抽取错误的关键词进行分析，算法还存在一些问题，后续会针对这些问题继续改进。

1. 泛义词过滤不彻底，后续需要继续优化候选词过滤模块。
2. 抽取出来的两个关键词可能是表述同一个语义，后续引入同义词等资源解决。

目前已经接入的公司业务有：腾讯新闻客户端、手机Qzone个性化资讯。欢迎有需求的团队联系我们，使用腾讯文智自然语言处理。

参考文献

[1] 刘知远. 基于文档主题结构的关键词抽取方法研究[D]. 北京: 清华大学, 2011. [2] Berger A L, Pietra VJ D, Pietra S A D. A maximum entropy approach to natural languageprocessing[J]. Computational linguistics, 1996, 22(1): 39-71. [3] Blei D M, Ng A Y,Jordan M I. Latent dirichlet allocation[J]. the Journal of machine Learning research,2003, 3: 993-1022.