胡 迁 黄青松，2 刘利军* 李帅彬 冯旭鹏

1(昆明理工大学信息工程与自动化学院 云南 昆明 650500)2(昆明理工大学云南省计算机技术应用重点实验室 云南 昆明 650500)3(昆明理工大学教育技术与网络中心 云南 昆明 650500)

0 引 言

关键词有助于提高文本分类、信息检索等自然语言处理任务的性能。近年来，随着即时聊天、网购咨询、自动问答系统等社交网络的迅猛发展，积累了大量的对话特性文档，对话记录隐含了人们聊天的情景和目的，反映了对话者的兴趣。从对话中抽取关键词可以用来总结、组织、检索对话内容，也可被用于用户个人服务、广告推荐等。相较于传统长文本，这类数据具有对话性、短文本、结构松散等特点，导致关键词难以遴选[1]。因此，对话文本的特性给关键词抽取带来了挑战和意义。

1 相关工作

传统关键词抽取主要集中在网页检索、科技文献和文本文档等领域，方法主要分为有监督方法和无监督方法。有监督方法采用人工标注的关键词文档训练分类器得到关键词。Neuyen等[2]针对论文，利用论文的结构信息、词性、词语后缀等特征，提高了关键词分类器性能。Meng等[3]基于神经网络的编码解码预测模型来生成关键词，文中用循环神经网络模型结合注意力和重复机制来训练模型，模型解决以往方法只选择文中出现的词作为关键词和不能捕获文档真正的语义含义的问题。有监督方法缺点:需要标注关键词。无监督方法主要计算词的显著性权值，然后排序推荐。……