庄建昌,武 娇,顾兴全,洪彩凤

(1.中国计量大学 理学院,浙江 杭州 310018;2.中国计量大学 标准化学院,浙江 杭州 310018)

一个充分发展的领域必然充斥着大量的文本数据,对于关注领域现状和未来发展的人们,需要对领域内海量文本数据进行分析。然而,领域内的信息往往具有冗余性,并且具有各个子领域分布不平衡的特点。因此,复杂领域内的关键词提取并不容易[1]。

领域关键词的研究大致可分为领域关键词提取技术以及领域关键词的应用。领域关键词的应用研究广泛,存在于领域主题提取[2-3]、医学肿瘤领域[4-5]、纳米技术领域[6]、情报学领域[7]以及交叉学科领域[8-9]。这反映出研究领域关键词提取技术的重要意义。高继平等人[10]提出使用多词共现技术提取领域关键词,并用关键词的共现技术刻画领域的研究热点。潘玮等人[11]提出一种数据清洗方法,结合词共现技术提取领域关键词。词共现技术提取领域关键词能够反映出关键词的耦合性,但是其多以词频为特征,在多文本中提取关键词的效果并不好。Luo[12]等人提出了一种基于词频逆文档频率的多文本域关键字提取方法TDDF,该方法比以词频逆文档频率作为特征项的关键词提取方法更有效。

然而,上述方法还存在以下问题:1)提取的关键词不含有语义信息,这不利于进一步分析领域特征。为此,文献[13]和文献[14]提出了基于word2vec模型[15]的领域关键词提取方法。由于word2vec模型能够表征语义信息,因此这些方法提取的领域关键词的可解释性得到了提高。……