马莉媛，黄 勃，朱良奇，黄季涛，李梦君，荆苗苗

（上海工程技术大学电子电气工程学院，上海 201620）

0 引言

移动互联网快速发展与大数据、云计算等技术的出现催生了众多新媒体发展，公众获取信息的渠道逐渐增加，信息获取愈加便利。但有些媒体为了吸引用户眼球，追求更高的点击率，对文章标题过度润色，部分文章甚至出现文不对题的现象。用户在信息检索时多用文本标题进行检索，由于信息过载、垃圾信息过多导致无法快速找到精准信息等问题。面对繁杂的信息，可利用关键词提取技术快速且精准地提炼文本信息。

关键词提取指从文本中提取与目标内容最相关的词汇，被提取的关键词必须具备3 个条件：可读性、相关性及涵盖性。1958 年Luhn［1］提出了题内关键字索引的概念，使检索刊物时对索引的编辑工作实现自动化，加快了检索刊物的出版速度，保证了文献报道及时性；1999 年，Witten等［2］提出一种KEA 全新算法，该算法主要是利用候选目标关键词第一次处在文档内的位置与TF-IDF 值进行匹配从而获得特征值，然后使用贝叶斯模型训练获得关键词；2000 年，Turney［3］采用C4.5 决策树分类器进行关键词提取；Mihalcea 等［4］基于PageRank 算法与单词之间的语义关系，提出基于图模型的Texrank 算法，该算法精度较高，考虑了词的位置信息，但是计算复杂度较高；徐文海等［5］提出了一种基于向量空间模型与TF-IDF 方法的中文关键词抽取算法。该算法在对文本进行自动分词后，用TF-IDF 方法对文献空间中的每个词进行权重计算，然后根据计算结果抽取出科技文献关键词，这种方法较易理解，且容易实现，但是过度依赖语料库，精度不高，没有考虑语义信息；……