基于TextRank算法和相似度的中文文本主题句自动提取

摘要

针对不同领域的语义规则和潜在主题结构复杂，导致主题句生成的易扩充性和可移植性不佳、中文文本主题句与中文文本的相似度较低、中文文本的主题句提取冗余度较高的问题，提出了基于TextRank算法和相似度的中文文本主题句自动提取方法。采用双向长短期记忆网络（Bi-LSTM）模型进行中文文本分词，将连续的中文文本切分成独立的词语，通过互信息方法进行中文文本特征，计算特征值，提取任务最相关、最有代表性的特征（如关键词、线索词）。将关键词、线索词作为主题句提取的重要线索和依据，基于TextRank算法和相似度，考虑各项权重和权重系数，完成中文文本主题句自动提取。实验结果表明，本文方法的中文文本主题句自动提取冗余度低，文档的完备性、易扩充性、可移植性均处于良好的状态，且ROUGE-1、ROUGE-2、ROUGE-L结果均较高，可以保证中文文本主题句自动提取效果，应用程度较高。

关键词

中文文本 / TextRank算法 / 互信息 / 主题句提取 / 双向长短期记忆网络