这是一个创建于 2561 天前的主题，其中的信息可能已经有所发展或是发生改变。
比如一段关于比特币的文字，怎么将里面最核心的关键字提取出来？提取 3-5 个，比如下面这段文字：
“ SegWit2x 升级定于 11 月 16 日开始生效。该升级旨在提升比特币交易的速度，并将同时提高交易的手续费。不过，过去几个月来，越来越多的比特币开发者不再支持比特币的升级。
业内大佬向 CNBC 表示：“我们的目标一直是比特币顺利的升级。不幸的是，很显然我们没有足够的共识来进行升级。继续目前的道路可能分裂社区，并阻碍比特币的发展。随着比特币交易手续费的提升，开发人员一直希望数字货币社区能获得共识，解决这一问题。””
程序上怎么实现提取核心的关键字？我的思路是这样：
1、词库里面匹配，将文章全部打散成关键字
2、检测重复次数最多的关键字
3、去掉通用关键字（做一个通用关键字表，每个关键字都有相关通用率）
4、去掉通用之后保留的 3-5 个应该就是核心关键字了
可行吗？
“ SegWit2x 升级定于 11 月 16 日开始生效。该升级旨在提升比特币交易的速度，并将同时提高交易的手续费。不过，过去几个月来，越来越多的比特币开发者不再支持比特币的升级。
业内大佬向 CNBC 表示：“我们的目标一直是比特币顺利的升级。不幸的是，很显然我们没有足够的共识来进行升级。继续目前的道路可能分裂社区，并阻碍比特币的发展。随着比特币交易手续费的提升，开发人员一直希望数字货币社区能获得共识，解决这一问题。””
程序上怎么实现提取核心的关键字？我的思路是这样：
1、词库里面匹配，将文章全部打散成关键字
2、检测重复次数最多的关键字
3、去掉通用关键字（做一个通用关键字表，每个关键字都有相关通用率）
4、去掉通用之后保留的 3-5 个应该就是核心关键字了
可行吗？
 |
1
neosfung 2017-11-09 08:52:59 +08:00 via iPhone  1
Tfidf
|
 |
2
mpich 2017-11-09 08:53:42 +08:00 1
tfidf textrank 都是不错的 baseline
|
 |
3
l00t 2017-11-09 08:56:06 +08:00
你的思路就是 TFIDF。我觉得就单篇文章而言，还是 textrank 的效果好些。TFIDF 太机械了。
|
 |
4
y051313 2017-11-09 09:05:28 +08:00
scws 可以提取关键词
|
 |
5
tedcon 2017-11-09 09:51:29 +08:00
这个常规做法不应该先分词， 去除停顿词，然后根据词性来获取预选词，在预选词里面统计频率最高的为关键词
|
 |
6
Ginson 2017-11-09 09:56:46 +08:00 1
 )是否符合预期？ |
 |
7
tianxiacangshen OP @Ginson 应该比特币作为一个关键字，最核心的应该是比特币这个关键字
|
|
8
Ginson 2017-11-09 10:05:34 +08:00
@tianxiacangshen 语料库的问题，jieba 自带的语料库没有把“比特币”作为一个单词来看待，要手动弄一下。
|
 |
9
princelai 2017-11-09 10:25:21 +08:00
自定义词库的效果
jieba.analyse.textrank(s,topK=10) Out[10]: ['升级', '交易', '提升', '社区', '共识', '货币', '希望', '开发人员', '手续费', '旨在'] jieba.analyse.tfidf(s,topK=10) Out[11]: ['比特币', '升级', '共识', '手续费', 'SegW', '2x', '定于', '11', '16', '生效'] |
 |
10
EricJia 2017-11-09 10:42:03 +08:00
pagerank
|
 |
11
gyorou 2017-11-09 10:47:03 +08:00
别提了，特么 segwit2x 都无限延期了。
|
|
12
tianxiacangshen OP @princelai 显然第二种比较好
|
|
13
princelai 2017-11-09 11:27:56 +08:00
@tianxiacangshen 那是因为我有自己的 stopword 和 userdict，而且我训练的 tfidf 权重文件正好也是金融类相关的，只是有点小，如果再加上 wikipedia 的语料库应该会有更好的效果
|
Select Language