用于关键短语提取的学习算法

许多学术期刊要求作者提供大约五到十五个关键词的列表，并刊登在每篇文章的第一页。由于这些关键词通常是两个或更多词组成的短语，我们更倾向于称其为关键短语。正如本文所讨论的，关键短语可用于多种多样的任务。我们将从文本中自动提取关键短语的问题视为一个监督学习任务。我们将文档视为一组短语，学习算法必须学习将这些短语分类为关键短语的正例或负例。我们的第一组实验将 C4.5 决策树归纳算法应用于此学习任务。我们评估了九种不同的 C4.5 配置的性能。第二组实验将 GenEx 算法应用于该任务。我们专门为从文本中自动提取关键短语而开发了 GenEx 算法。实验结果支持了这样一个论断：一个定制设计的算法（GenEx），结合了专门的程序性领域知识，能够比通用算法（C4.5）生成更好的关键短语。对 Extractor 生成的关键短语进行的主观人工评估表明，大约 80% 的关键短语对人类读者来说是可以接受的。这种性能水平对于各种应用来说应该是令人满意的。