Abstract
關鍵字可以視為文章內容的濃縮,利用少許的關鍵字來表示整篇文章,可以幫助使 用者快速的瞭解整篇文章的內容。而自動化關鍵字擷取系統是在資訊檢索以及自然 語言處理中廣泛被使用的一項技術,例如文件分類、建立索引、文件分群以及自動 整理摘要等。 現在有越來越多的短文章出現在網路論壇、社交網站和部落格上,這些都是很 豐富的網路資源需要有效的被存取以及利用。但是傳統的方法在處理短文章時有些 限制,因為文章短,所以傳統以文字出現頻率為基礎的關鍵字擷取系統在短文章的 表現較不準確;因此我們需要一個新的關鍵字擷取系統來客服這個困難。 近年來,以圖型為基礎的排名演算法已經成功的利用在網頁排名的領域,例 如Google PageRank 和HITS 等。而也有人將這種演算法應用到關鍵字擷取系統中, 也達到了不錯的效果,例如TextRank、CollabRank 等。但是這種以圖型為基礎的關 鍵字擷取系統會有一個共通的缺點,那就是一些不重要但是常出現的字在這個系統 中也會拿到很高的分數。在之前的研究學者中也有觀察到這個現象,他們的處理方 法是直接把這些字拿掉,例如直接拿掉停用字等;但是直接拿掉的結果就破壞了文 章原本的結構,這樣會讓注重結構的圖型基礎排名演算法較不準確。 所以這篇論文提出自動化關鍵字擷取系統RankUp,這個系統是建立在圖型基礎 排名演算法上,保留原本文章的結構,並且利用錯誤回饋機制來避免不重要的常用 ii 字會獲得高分的情況。 我們利用的不同的資料和手動標記的關鍵字來進行實驗以及評分,包括了論文 摘要、社交網站資料等。結果顯示本篇論文提出的方法可以有效的應用在不同的資 料上,在短文章中也能達到很好的效果。