문장 BERT를 이용한 키워드 추출

단어 목록

!pip install kiwipiepy
import kiwipiepy
kiwi = kiwipiepy.Kiwi()

def extract_nouns(text): # 명사 추출 함수
    for token in kiwi.tokenize(text):
        if token.tag in {'NNG', 'NNP'}:
            yield token.form

from sklearn.feature_extraction.text import CountVectorizer
cv = CountVectorizer(tokenizer=extract_nouns, min_df=10)
dtm = cv.fit_transform(df.abstract) # 문서 단어 행렬
words = list(cv.get_feature_names_out()) # 단어 목록

키워드 추출

자주 나오는 단어 중에 문서와 가장 비슷한 단어를 찾음

word_emb = sbert.encode(words)
dists = cosine_distances(doc_emb[[doc_idx]], word_emb).flatten()
for i in np.argsort(dists)[:5]:
    print(words[i])

문서의 내용과 비슷한 단어들이 키워드로 뽑힘
비슷비슷한 키워드들이 뽑힐 수 있음
해결책:
- Max Sum Similarity
- Maximal Marginal Relevance

Max Sum Similarity

1차적으로 문서와 유사한 $n$ 개의 키워드를 추출
이중에서 $k$ 개의 키워드를 뽑아 조합하고, 그들 간의 유사도 합계를 구함
키워드들의 유사도 합계가 가장 낮은 조합을 선택
문서와 유사하면서, 서로 다른 키워드를 뽑는 방법

후보의 개수

$n$ 을 키우면 더 다양한 후보를 고려할 수 있음
그러나 조합의 개수는 $\frac{{}{n}!} (n - k)! k!$ 로 $n$ 이 크면 급격하게 증가
다양성과 계산 시간을 고려하여 $n$ 과 $k$ 를 적절히 선택

from scipy.special import factorial
n = 10
k = 5
factorial(n)/factorial(n-k)/factorial(k)

Max Sum Similarity (계속)

from itertools import combinations
max_dist = 0
keywords = None
candidates = np.argsort(dists)[:n] # n개의 후보

for combi in combinations(candidates, k): # k개씩 조합해서 시도
    word_dists = cosine_distances(word_emb[list(combi)]) # 키워드 간 거리 계산
    sum_dist = word_dists.sum() # 거리 합계
    if sum_dist > max_dist: # 키워드들이 서로 거리가 최대인 것을 찾음
        max_dist = sum_dist
        keywords = combi
        
for i in keywords:
    print(words[i])

Maximal Marginal Relevance

키워드를 하나씩 순차적으로 추가
문서와 유사도가 높으면서 기존의 키워드와 유사도가 낮은 키워드를 추가하는 방식
다양성(diversity) 하이퍼파라미터를 통해 문서-키워드 유사도와 키워드-키워드 유사도 중에 어느 쪽에 더 가중치를 줄지 결정할 수 있음
- diversity = 0: 문서와 유사도가 가장 높은 키워드를 선택
- diversity = 1: 기존 키워드와 유사도가 가장 낮은 키워드를 선택

Maximal Marginal Relevance (계속)

diversity = 0.0 # 다양성이 0이면 처음에 했던 키워드 추출 방법과 같음

keyword, *candidates = np.argsort(dists)[:n].tolist()
keywords = [keyword]

for _ in range(k - 1):
    doc_sims = cosine_distances(doc_emb[[doc_idx]], word_emb[candidates])[0] # 문서와 유사도 계산
    keyword_sims = cosine_distances(word_emb[keywords], word_emb[candidates]) # 키워드와 유사도 계산
    keyword_sims = np.min(keyword_sims, axis=0) # 가장 높은 키워드 유사도를 선택
    
    # MMR: 문서와는 비슷하고, 기존 키워드와는 달라야
    mmr = (1 - diversity) * doc_sims - diversity * keyword_sims
    
    most_similar_idx = np.argmin(mmr) # MMR이 가장 높은 키워드 위치
    keyword = candidates[most_similar_idx] # 후보에서 해당 키워드를 선택
    keywords.append(keyword) # 새 키워드 추가
    candidates.remove(keyword) # 추가된 키워드는 후보에서 제거

[words[i] for i in keywords] # 키워드 보기