[论文解读] FRAKE: Fusional Real-time Automatic Keyword Extraction

Aidin Zehtab-Salmasi, Mohammad‐Reza Feizi‐Derakhshi+1 more|arXiv (Cornell University)|Apr 10, 2021

Advanced Text Analysis Techniques参考文献 25被引用 6

一句话总结

FRAKE 是一种新颖的融合式实时自动关键词提取方法，结合了图中心性特征（度、介数、特征向量、接近度）和文本特征（词性标注、词频、大小写、位置、句子多样性），以提升关键词检测效果。在七个数据集上，包括英文（Inspec）和非英文（WikiNews）文本，FRAKE 相较于最先进方法平均提升了 16.9% 的 F1 分数。

ABSTRACT

Keyword extraction is the process of identifying the words or phrases that express the main concepts of text to the best of one's ability. Electronic infrastructure creates a considerable amount of text every day and at all times. This massive volume of documents makes it practically impossible for human resources to study and manage them. Nevertheless, the need for these documents to be accessed efficiently and effectively is evident in numerous purposes. A blog, news article, or technical note is considered a relatively long text since the reader aims to learn the subject based on keywords or topics. Our approach consists of a combination of two models: graph centrality features and textural features. The proposed method has been used to extract the best keyword among the candidate keywords with an optimal combination of graph centralities, such as degree, betweenness, eigenvector, closeness centrality and etc, and textural, such as Casing, Term position, Term frequency normalization, Term different sentence, Part Of Speech tagging. There have also been attempts to distinguish keywords from candidate phrases and consider them on separate keywords. For evaluating the proposed method, seven datasets were used: Semeval2010, SemEval2017, Inspec, fao30, Thesis100, pak2018, and Wikinews, with results reported as Precision, Recall, and F- measure. Our proposed method performed much better in terms of evaluation metrics in all reviewed datasets compared with available methods in literature. An approximate 16.9% increase was witnessed in F-score metric and this was much more for the Inspec in English datasets and WikiNews in forgone languages.

研究动机与目标

• 为解决在实时环境中高效从大规模、持续生成的文本中提取有意义关键词的挑战。
• 克服现有关键词提取方法依赖单一特征方法（文本或图）的局限性，通过融合互补优势实现改进。
• 在多种文本类型和语言中，提升关键词提取在精确率、召回率和 F1 分数方面的性能。
• 开发一种可扩展的实时系统，能够以高精度处理长文档和多语言内容。

提出的方法

• 该方法通过五个阶段处理文本：预处理、图特征与文本特征提取、分数计算、关键词短语生成和排序。
• 图特征基于词共现网络，利用中心性度量（度、介数、特征向量、接近度中心性）计算得出。
• 文本特征包括词性标注、词的大小写形式、在句子中的位置、句间多样性以及归一化的词频。
• 通过加权融合策略将特征分数合并，计算最终关键词分数。
• 候选短语通过名词短语切分生成，并基于融合后的分数进行排序。
• 系统设计支持实时处理，可对流式或大规模文本实现即时关键词提取。

实验结果

研究问题

• RQ1 与独立方法相比，图特征与文本特征的混合融合是否能显著提升关键词提取性能？
• RQ2 所提出的 FRAKE 模型在多样化的数据集上（包括长文档和多语言文本）表现如何？
• RQ3 融合多种中心性度量与语言学特征，在关键词提取中对精确率、召回率和 F1 分数的提升程度如何？
• RQ4 在低关键词比例文档（如学术论文）中，FRAKE 是否仍保持优异性能？
• RQ5 在实时、可扩展的关键词提取任务中，FRAKE 与最先进方法（如 YAKE、TextRank 和 KP-Miner）相比表现如何？

主要发现

• FRAKE 在全部七个基准数据集（SemEval2010、SemEval2017、Inspec、FAO30、Thesis100、Pak2018 和 WikiNews）上均取得了最高的 F1 分数。
• 与现有最先进方法相比，FRAKE 在 F1 分数上实现了 16.9% 的平均提升，其中在 Inspec（英文）和 WikiNews（非英文）数据集上提升最为显著。
• 在 Inspec 数据集上，FRAKE 的 F1 分数达到 0.589，领先于第二名方法（MultiPartite Rank）0.109 分。
• 在 WikiNews 数据集上，FRAKE 的 F1 分数达到 0.550，显著优于 YAKE（0.153）和 TextRank（0.098），表明其具备强大的多语言处理能力。
• 尽管在长篇、低关键词比例的 Thesis100 数据集上表现较低（F1 = 0.272），FRAKE 仍位列第三，展现出在复杂条件下的鲁棒性。
• 图特征与文本特征的融合优于纯图模型或纯文本模型，证实了混合设计在关键词提取中的有效性。