KeyExtractor
KeyExtractor 是一個十分簡單且好用的關鍵字詞抽取器，該模組透過 Transformer-based 模型，以零訓練的方式，抽取中文文件之關鍵字詞，無需標記資料與GPU資源即可操作。
KeyExtractor performs keyword extraction for chinese documents with state-of-the-art transformer models without training and labeled data.
Table of Contents
About
在企業即將滿第一個年頭，感受到的文化與學術界差異甚大，比如說在中研院時，大家追求的是更好更完善的模型或演算法，為了能夠與經典論文上的模型或演算法較勁，大家無不使用相同、公開且乾淨的標記資料集，並實作自己的模型，跑出各種實驗數據，證明模型之間的優劣勝敗。有趣的是，彼此差距往往在不到 1% 之內，不難想像為何那麼難投稿上頂尖研討會了吧！
而在企業裡，每個案子有各自獨特的梳理邏輯，與其相應的資料集，而且多半是不完整且骯髒的資料，甚至，這些資料連標記都沒有，導致在導入 AI/NLP 技術時，路途困難重重，大概在清理資料階段、或是人工標記資料階段時就陣亡了，遑論使用最新穎的技術。
因為上述現象，企業在敏捷開發的狀態下，時常使用 Rule-Based 的方式解決，久而久之，幾乎很少導入新穎的技術，接著一個案子一個案子就這麼過去了。身為初入社會的我來說，不太習慣這樣的做法，但是若要有所突破，我仍然得面臨資料集一樣骯髒、一樣沒有標記、一樣不完整，那我該怎麼辦呢？
這是我接手的第二個案子：新聞閱讀，無標記資料。我將此案子其中一部份拉出來作成公開套件：新聞關鍵字詞抽取器，給定一篇中文新聞，經由模組，生出若干關鍵字。
2018年末，預訓練與微調機制擄獲人心，便一路盛行至今。為了撇開對標記資料的依賴，我撇開微調機制，僅採用預訓練機制。預訓練模型使用中研院ckip實驗室的模型，並將其當作詞向量抽取器，接著使用 Cosine Similarity 去一一比較文本與各個候選字詞的向量夾角，作為判斷是否為關鍵字詞的依據。
上述的想法源自於 KeyBERT，但是因為它沒有支援中文和中文斷詞，才讓我想自己動手做一個套件出來。
Getting Started
Installation
Prepare virtual environment by conda.
$ conda create --name [env_name] python=3.8
$ conda activate [env_name]
Installation can be done using pypi KeyExtractor.
$ pip install KeyExtractor
Example
$ PYTHONPATH=./::./src python example/example.py
Basic Usage
- Single Document
Input text should be tokenized as properly as possible before extracting keywords from it.
from KeyExtractor.utils import tokenization as tk
tokenizer = tk.TokenizerFactory(name="ckip-transformers-albert-tiny")
text = """
監督學習是機器學習任務，它學習基於範例輸入-範例輸出組合，將輸入映射到輸出的函數。
[1]它從標記的訓練數據（由一組訓練範例組成）中推斷出函數。
[2]在監督學習中，每個範例都是一對，由輸入對象（通常是矢量）和期望的輸出值（也稱為監督信號）組成。
監督學習演算法分析訓練數據並產生一個推斷函數，該函數可用於映射新範例。
最佳方案將使演算法能夠正確確定未見實例的類標籤。
這就要求學習算法以“合理”的方式將訓練數據推廣到看不見的情況（見歸納偏差）。
"""
tokenized_text = tokenizer.tokenize(text_list)[0] ## Return nested list of tokenized results
Extract Keywords from document tokenized before.
from KeyExtractor.core import KeyExtractor
ke = KeyExtractor(embedding_method_or_model="ckiplab/bert-base-chinese")
keywords = ke.extract_keywords(tokenized_text, n_gram=1, top_n=5)
Return keywords as a list of struct.KeyStruct.
>>> [print(key) for key in keywords]
[ID]: 29
[KEYWORD]: ['學習']
[SCORE]: 0.7103
[EMBEDDINGS]: torch.Size([768])
[ID]: 33
[KEYWORD]: ['對象']
[SCORE]: 0.6965
[EMBEDDINGS]: torch.Size([768])
[ID]: 31
[KEYWORD]: ['範例']
[SCORE]: 0.6923
[EMBEDDINGS]: torch.Size([768])
[ID]: 28
[KEYWORD]: ['監督']
[SCORE]: 0.6849
[EMBEDDINGS]: torch.Size([768])
[ID]: 46
[KEYWORD]: ['分析']
[SCORE]: 0.6834
[EMBEDDINGS]: torch.Size([768])
N-gram could be 2 or 3 or more.
keywords = ke.extract_keywords(tokenized_text, n_gram=2, top_n=5)
>>> [print(key) for key in keywords]
[ID]: 30
[KEYWORD]: ['中', '範例']
[SCORE]: 0.8059
[EMBEDDINGS]: torch.Size([768])
[ID]: 31
[KEYWORD]: ['範例', '輸入']
[SCORE]: 0.8006
[EMBEDDINGS]: torch.Size([768])
[ID]: 28
[KEYWORD]: ['監督', '學習']
[SCORE]: 0.7888
[EMBEDDINGS]: torch.Size([768])
[ID]: 32
[KEYWORD]: ['輸入', '對象']
[SCORE]: 0.7825
[EMBEDDINGS]: torch.Size([768])
[ID]: 29
[KEYWORD]: ['學習', '中']
[SCORE]: 0.7816
[EMBEDDINGS]: torch.Size([768])
It could add custom stopwords that you think they must not be keyword candidates. They would be removed in the preprocessing stage.
keywords = ke.extract_keywords(tokenized_text, stopwords=["中", "對象"], n_gram=2, top_n=5)
>>> [print(key) for key in keywords]
[ID]: 28
[KEYWORD]: ['學習', '範例']
[SCORE]: 0.8039
[EMBEDDINGS]: torch.Size([768])
[ID]: 29
[KEYWORD]: ['範例', '輸入']
[SCORE]: 0.8006
[EMBEDDINGS]: torch.Size([768])
[ID]: 27
[KEYWORD]: ['監督', '學習']
[SCORE]: 0.7888
[EMBEDDINGS]: torch.Size([768])
[ID]: 24
[KEYWORD]: ['推斷出', '函數']
[SCORE]: 0.7738
[EMBEDDINGS]: torch.Size([768])
[ID]: 18
[KEYWORD]: ['訓練', '數據']
[SCORE]: 0.7677
[EMBEDDINGS]: torch.Size([768])
Also, we have default zh-cn/zh-tw stopwords (load_default is set to True). You can check them in the utils/stopwords/zh/. If you don't want them as stopwords, just simply set load_default to False.
- Multiple Documents
You can feel safe to send multiple documents into tokenizer. They can process multiple documents more efficiently than processing single document at one time.
from KeyExtractor.utils import tokenization as tk
tokenizer = tk.TokenizerFactory(name="ckip-transformers-albert-tiny")
text = """
監督學習是機器學習任務，它學習基於範例輸入-範例輸出組合，將輸入映射到輸出的函數。
[1]它從標記的訓練數據（由一組訓練範例組成）中推斷出函數。
[2]在監督學習中，每個範例都是一對，由輸入對象（通常是矢量）和期望的輸出值（也稱為監督信號）組成。
監督學習演算法分析訓練數據並產生一個推斷函數，該函數可用於映射新範例。
最佳方案將使演算法能夠正確確定未見實例的類標籤。
這就要求學習算法以“合理”的方式將訓練數據推廣到看不見的情況（見歸納偏差）。
"""
text2 = "詐欺犯吳朱傳甫獲釋又和同夥林志成假冒檢警人員，向新營市黃姓婦人詐財一百八十萬元，事後黃婦驚覺上當報警處理，匯寄的帳戶被列警示帳戶，凍結資金往返；四日兩嫌再冒名要黃婦領五十萬現金交付，被埋伏的警員當場揪住。"
text_list = [text1, text2]
tokenized_text_list = tokenizer.tokenize(text_list) ## Return nested list
for tokenized_text in tokenized_text_list:
keywords = ke.extract_keywords(tokenized_text, n_gram=2, top_n=5)
for key in keywords:
print(key)
Tokenizer
I use as ckip-transformers as my backbone tokenizer. Please check details from this repo.
Embeddings
I use flair framework to get word and document embeddings from ckiplab/bert-base-chinese. Their model could be seen in huggingface model hub here. Feel free to get your own pretrained model or another one.
Logger
If you want to check details of operation, you can set up logger.level as logging.DEBUG.
Github Repos:
