文本关键词提取方法及具体操作步骤

在搜索引擎中，通过处理海量的文本关键词进而尽可能满足用户搜索需求是搜索引擎核心，无论一篇文章的长短，搜索引擎都可以通过提取关键词的方法来判断整篇文章的主题，因此如何判断一篇文章的核心关键词是什么非常重要，下面关于为什么要做关键词提取以及基于TF-IDF的文本关键词抽取方法作简单介绍。

为什么要做关键词提取

关键字提取是文本挖掘领域的一个重要组成部分。从文本中提取关键词有三种方法：监督、半监督和无监督。监督关键字提取算法是将关键字提取算法构造为两类问题来判断文档中的词或短语是否为关键字。由于这是一个分类问题，因此有必要提供标记的训练预测。训练语料库用于训练关键词提取模型。根据该模型，对需要提取关键字的文档的关键字提取算法进行了半监督。

构造关键词提取模型只需要少量的训练数据，然后利用模型对新文本进行检查。关键字提取，手动筛选这些关键字，并将筛选后的关键字添加到培训集以重新培训模型。无监督的方法不需要手动标记语料库。一些方法被用来寻找文本中更重要的词作为关键字并提取关键字。监督文本关键字提取算法要求人工成本高，现有的文本关键字提取主要采用无监督关键字提取，适用性强。

文本关键字提取的过程如下：无监督文本关键字提取流程图无监督关键字提取算法可分为三类：基于统计特征的关键字提取、基于词图模型的关键字提取和基于主题模型的关键字提取。基于统计特征的文本关键字提取算法基于统计特征的关键字提取算法基于统计特征的关键字提取算法是利用文档中的统计信息提取关键字。

一般情况下，文本经过预处理得到候选词集，然后通过特征值量化从候选词集中获得关键词。基于统计特征的关键词提取方法的关键是采用何种特征值量化指标。

基于TF-IDF的文本关键词抽取方法

词频(Term Frequency，TF)

指某一给定词语在当前文件中出现的频率。由于同一个词语在长文件中可能比短文件有更高的词频，因此根据文件的长度，需要对给定词语进行归一化，即用给定词语的次数除以当前文件的总词数。

逆向文件频率(Inverse Document Frequency，IDF)

是一个词语普遍重要性的度量。即如果一个词语只在很少的文件中出现，表示更能代表文件的主旨，它的权重也就越大;如果一个词在大量文件中都出现，表示不清楚代表什么内容，它的权重就应该小。

TF-IDF的主要思想是，如果某个词语在一篇文章中出现的频率高，并且在其他文章中较少出现，则认为该词语能较好的代表当前文章的含义。即一个词语的重要性与它在文档中出现的次数成正比，与它在语料库中文档出现的频率成反比。

TF-IDF是对文本所有候选关键词进行加权处理，根据权值对关键词进行排序。假设Dn为测试语料的大小，该算法的关键词抽取步骤如下所示：

(1) 对于给定的文本D进行分词、词性标注和去除停用词等数据预处理操作。本分采用结巴分词，保留'n','nz','v','vd','vn','l','a','d'这几个词性的词语，最终得到n个候选关键词，即D=[t1,t2,…,tn] ;

(2) 计算词语ti 在文本D中的词频;

(3) 计算词语ti 在整个语料的IDF=log (Dn /(Dt +1))，Dt 为语料库中词语ti 出现的文档个数;

(4) 计算得到词语ti 的TF-IDF=TF*IDF，并重复(2)—(4)得到所有候选关键词的TF-IDF数值;

(5) 对候选关键词计算结果进行倒序排列，得到排名前TopN个词汇作为文本关键词。

上述关于文本关键词提取方法及具体操作步骤作简单介绍，希望这些知识对您有所帮助!