如何利用词频统计原理自动提取文章摘要？

：

我一直觉得要想做好SEO，要做大一个网站，需要的不光是我们的坚持，也更需要一个正确的SEO技术，一个可行的SEO方法，一个合理的SEO策略，这也就是我一直提倡是SEO思维。虽说搜索引擎有着自己很复杂的算法，可有的时候，一个很简单的数学方法，就可以完成很复杂的任务。比如前面我在马海祥博客上跟大家分享的依靠统计词频和余弦相似性，就能找出文章的关键词和判定相似文章。虽然它们在效果方面算不上最好的方法，但肯定是最简便易行的方法。

由于前面的两篇文章受到各位博友的好评，所以今天我要在马海祥博客上跟大家分享的依然是这个主题。那就是讨论如何通过词频统计分析，对文章进行提取自动摘要（Automatic summarization）？

（图1）

如果我们能从3000字的文章中，提炼出150字的摘要，也就可以为读者节省大量阅读时间。简单的说，由人完成的摘要叫"人工摘要"，由机器完成的也就叫"自动摘要"了。对于这一功能也已经被很多的网站使用了，比如论文网站、新闻网站、搜索引擎等等。

2007年，美国学者的一篇论文《A Survey on Automatic Text Summarization》（Dipanjan Das, Andre F.T. Martins, 2007）总结了目前的自动摘要算法。其中，很重要的一种就是词频统计。

这种方法最早出自1958年的IBM公司科学家H.P. Luhn的论文《The Automatic Creation of Literature Abstracts》。

Luhn博士认为，文章的信息都包含在句子中，有些句子包含的信息多，有些句子包含的信息少。“自动摘要”就是要找出那些包含信息最多的句子。

句子的信息量用“关键词”来衡量。如果包含的关键词越多，就说明这个句子越重要。当时Luhn提出用“簇”（cluster）表示关键词的聚集。所谓“簇”就是包含多个关键词的句子片段。

（图2）

上图2就是Luhn原始论文的插图，被框起来的部分就是一个“簇”。只要关键词之间的距离小于“门槛值”，它们就被认为处于同一个簇之中。Luhn建议的门槛值是4或5。也就是说，如果两个关键词之间有5个以上的其他词，就可以把这两个关键词分在两个簇。

下一步，对于每个簇，就需要计算它的重要性分值，如下图3所示：

（图3）

我们以图2为例，其中的簇一共有7个词，其中4个是关键词。因此，它的重要性分值等于 ( 4 x 4 ) / 7 = 2.3。

然后，找出包含分值最高的簇的句子（比如5句），把它们合在一起，就构成了这篇文章的自动摘要。

后来，Luhn的这种算法被简化，不再区分"簇"，只考虑句子包含的关键词。下面就是一个例子（采用伪码表示），只考虑关键词首先出现的句子。

Summarizer(originalText, maxSummarySize):

// 计算原始文本的词频，生成一个数组，比如[(10,'the'), (3,'language'), (8,'code')...]
　　wordFrequences = getWordCounts(originalText)

// 过滤掉停用词，数组变成[(3, 'language'), (8, 'code')...]
　　contentWordFrequences = filtStopWords(wordFrequences)

// 按照词频进行排序，数组变成['code', 'language'...]
　　contentWordsSortbyFreq = sortByFreqThenDropFreq(contentWordFrequences)

// 将文章分成句子
　　sentences = getSentences(originalText)

// 选择关键词首先出现的句子
　　setSummarySentences = {}
　　foreach word in contentWordsSortbyFreq:
　　firstMatchingSentence = search(sentences, word)
　　setSummarySentences.add(firstMatchingSentence)
　　if setSummarySentences.size() = maxSummarySize:
　　break

// 将选中的句子按照出现顺序，组成摘要
　　summary = ""
　　foreach sentence in sentences:
　　if sentence in setSummarySentences:
　　summary = summary + " " + sentence

return summary

其实，如上面类似的算法也早已被广泛使用了，有的也已经被写成了工具，比如基于Java的Classifier4J库的SimpleSummariser模块、基于C语言的OTS库、以及基于classifier4J的C#实现和python实现。