基于依存句法分析的关键短语抽取算法实战

由于最近在做一些无监督的关键词短语(实体)抽取工作,其实最大的背景还是没有标注好的实体识别训练数据；所以想到采用无监督的关键短语抽取算法折中去抽取一些实体，于是调研了一波关键短语抽取算法和工具。目前无监督关键短语抽取算法和关键词抽取算法差不多：主要是TFIDF，Textrank 等特征为候选短语的打分。然后抽取得分高的候选短语。

算法流程

由于最近在做一些无监督的关键词短语(实体)抽取工作,其实最大的背景还是没有标注好的实体识别训练数据；所以想到采用无监督的关键短语抽取算法折中去抽取一些实体，于是调研了一波关键短语抽取算法和工具。目前无监督关键短语抽取算法和关键词抽取算法差不多：主要是TFIDF，Textrank 等特征为候选短语的打分。然后抽取得分高的候选短语。

候选短语打分：通过上述ngram + 文法规则我们召回候选词集合后，之后我们就可以通过 词语的TFIDF，Textrank等权重特征的给短语打分，当然你也可以用一些其他的文本特征给词语打分。总之，最后我们通过各种特征可以计算出每个短语的得分，然后排序后取topk得候选短语就可以得到我们的关键短语了。

引入依存句法分析

依存句法分析这里笔者不做过多的介绍，有兴趣的同学可以去百度一波.但是这里笔者展示一下依存句法分析的结果，通过依存句法分析，我们可以得到一颗如下的依存树，树的每条边记录了连接节点的对于关系，比如 “青年”的定语是“男性”，所以青年和男性是定中关系。具有定中关系的相邻词组就是一个短语，同时被修饰的词通常比较重要（这是笔者的一个假设），所以，笔者认为:具有定中关系的相邻词组是关键词。

下方是笔者在百度百科中搜索出来的“借款费用”的定义，用依存句法分析了一波，也确实发现具有定中关系的词组组合起来就是关键短语，比如：借款费用，借款利息，外币借款等。

实战部分

实战部分笔者的思路如下：+ 首先采用传统的关键词词组抽取算法抽取一下句子中的关键词短语（可以有效抽取一些新词和关键短语），这样防止一些专有名词分词错误，这里你也可以采用实体识别算法。然后将新抽出的新词加入用户词典。+ 然后采用依存句法分析得到句子的依存树，将具有定中关系的相邻词组抽取出来。关键短语抽取推荐使用：ckpe 这个工具库，作者引入了LDA主题模型去优化关键短语打分，效果不错。至于依存句法分析:笔者选择的是hanlp。代码如下：

输入一下句子： sentence= "借款费用是企业因借入资金所付出的代价，包括借款利息、折价或者溢价的摊销、辅助费用以及因外币借款而发生的汇兑差额等"

最后结果如下：+ ckpe的抽取结果为：['外币', '差额', '费用', '利息', '代价', '资金', '企业'] + ckpe + 依存树 的结果为：['借款费用', '借款利息', '辅助费用', '外币借款', '汇兑差额']

结论

所以在关键短语抽取算法中引入依存句法分析似乎有着不错的效果，其实也是利用了句法特征。做为一个nlper 如果能够善于使用词性特征，句法特征等这些传统特征也能够做很酷的事情，比如无监督抽取出这么好效果的关键短语。当然无监督会产生较多的错误，我们可以采用这种算法辅助去标注数据，最终通过有监督的深度模型训练达到最佳效果。