如何在Python中设置RAKE算法的关键词提取数量及相关参数？

初始化Rake实例时的核心参数 #

创建Rake对象时，可通过以下参数控制候选短语的基础范围：

• min_length: 短语的最少单词数（默认1）
• max_length: 短语的最多单词数（默认3）
• min_char_length: 短语的最少字符数（默认0，即不限制）

示例：

from rake_nltk import Rake

# 允许1-5个单词的短语，且字符数至少为5
r = Rake(min_length=1, max_length=5, min_char_length=5)

获取所有候选短语（带分数） #

调用get_ranked_phrases_with_scores()方法可拿到所有生成的候选短语及其对应分数，结果按分数降序排列：

r.extract_keywords_from_text(text)
# 返回格式：[(分数1, 短语1), (分数2, 短语2), ...]
all_candidates = r.get_ranked_phrases_with_scores()

设置最低分数阈值筛选短语 #

基于带分数列表，自行过滤出分数符合要求的短语：

min_score = 2.0  # 自定义最低分数
filtered_keywords = [phrase for score, phrase in all_candidates if score >= min_score]

提取指定数量的关键词 #

直接从排序后的列表中截取前N个短语，无需考虑分数：

top_n = 10  # 自定义要提取的数量
top_keywords = r.get_ranked_phrases()[:top_n]

补充说明 #

• 默认的get_ranked_phrases()方法返回所有符合长度限制的短语，按分数降序排列，并非只返回"最显著"的——如果觉得结果太少，大概率是默认的max_length（3）限制了短语长度，调大该参数即可。
• 如果需要保留重复出现的短语，初始化时设置include_repeated_phrases=True（默认False）。

内容的提问来源于stack exchange，提问作者Mounir Cobra