孟彩霞 张 琰 李楠楠

（西安邮电大学计算机学院 西安 710121）

1 引言

关键词是表达文档核心的最小单位。从单个或多个文档中的文本中提取关键短语是信息检索（IR），文本挖掘（TM）和自然语言处理（NLP）领域中的重要问题，也是文档聚类，文档摘要和信息检索任务的基本步骤。因此，关键字提取在文本数据挖掘领域发挥着重要作用。

关键字提取包含有监督的提取方法和无监督的提取方法［1］。鉴于有监督的关键词提取方法需要人工标记的语料库，而人工标记因人而异，从不同的角度出发有不同的结果。本文主要关心无监督的关键词提取方法，表1为典型的无监督关键词提取方法对比。

基于图形的文本表示被称为提取关键短语的最佳无监督方法之一，可以非常有效地查询文本和结构信息之间的联系。其中，最具有代表性的就是谷歌提出的PageRank算法［7］。TextRank将PageRank算法思想引入文本，以词语为图节点，文本间的共现关系表示为图结构，并通过图的迭代计算实现重要性排序，可以用于关键词/文本摘要抽取［6］。经典的Text Rank算法在摘要提取时只考虑了句子节点间的相似性，而忽略了文档的篇章结构及句子的上下文信息。文献［8］中，于珊珊等提出引入标题、段落信息、句子长度等外部信息，改善TextRank中句子相似度计算方法和权重调整因子。文献［9］中，利用Word2vec模型训练词向量计算词汇之间的相似度，进而对TextRank算法进行改进。文献［10～12］中，利用LDA算法对文本语料库进行挖掘，进而改善TextRank算法。文献［13］中，利用聚类算法调整簇内节点的投票重要性，结合节点的覆盖和位置因素，改进TextRank算法以提高关键词的提取效果。……