在自然語(yǔ)言處理領(lǐng)域，處理海量文本文件的關(guān)鍵是提取用戶關(guān)心的問(wèn)題。無(wú)論是長(zhǎng)文本還是短文本，我們都可以通過(guò)幾個(gè)關(guān)鍵詞來(lái)窺視整個(gè)文本的主題。同時(shí)，無(wú)論是基于文本的推薦還是基于文本的搜索，對(duì)文本關(guān)鍵字的依賴性也很大。關(guān)鍵詞提取的準(zhǔn)確性直接關(guān)系到推薦系統(tǒng)或搜索系統(tǒng)的終效果。

因此，關(guān)鍵字提取是文本挖掘領(lǐng)域的一個(gè)重要組成部分。從文本中提取關(guān)鍵詞有三種方法：監(jiān)督、半監(jiān)督和無(wú)監(jiān)督。監(jiān)督關(guān)鍵字提取算法是將關(guān)鍵字提取算法構(gòu)造為兩類問(wèn)題來(lái)判斷文檔中的詞或短語(yǔ)是否為關(guān)鍵字。由于這是一個(gè)分類問(wèn)題，因此有必要提供標(biāo)記的訓(xùn)練預(yù)測(cè)。訓(xùn)練語(yǔ)料庫(kù)用于訓(xùn)練關(guān)鍵詞提取模型。根據(jù)該模型，對(duì)需要提取關(guān)鍵字的文檔的關(guān)鍵字提取算法進(jìn)行了半監(jiān)督。

構(gòu)造關(guān)鍵詞提取模型只需要少量的訓(xùn)練數(shù)據(jù)，然后利用模型對(duì)新文本進(jìn)行檢查。關(guān)鍵字提取，手動(dòng)篩選這些關(guān)鍵字，并將篩選后的關(guān)鍵字添加到培訓(xùn)集以重新培訓(xùn)模型。無(wú)監(jiān)督的方法不需要手動(dòng)標(biāo)記語(yǔ)料庫(kù)。一些方法被用來(lái)尋找文本中更重要的詞作為關(guān)鍵字并提取關(guān)鍵字。監(jiān)督文本關(guān)鍵字提取算法要求人工成本高，現(xiàn)有的文本關(guān)鍵字提取主要采用無(wú)監(jiān)督關(guān)鍵字提取，適用性強(qiáng)。

文本關(guān)鍵字提取的過(guò)程如下：無(wú)監(jiān)督文本關(guān)鍵字提取流程圖無(wú)監(jiān)督關(guān)鍵字提取算法可分為三類：基于統(tǒng)計(jì)特征的關(guān)鍵字提取、基于詞圖模型的關(guān)鍵字提取和基于主題模型的關(guān)鍵字提取。基于統(tǒng)計(jì)特征的文本關(guān)鍵字提取算法基于統(tǒng)計(jì)特征的關(guān)鍵字提取算法基于統(tǒng)計(jì)特征的關(guān)鍵字提取算法是利用文檔中的統(tǒng)計(jì)信息提取關(guān)鍵字。

一般情況下，文本經(jīng)過(guò)預(yù)處理得到候選詞集，然后通過(guò)特征值量化從候選詞集中獲得關(guān)鍵詞。基于統(tǒng)計(jì)特征的關(guān)鍵詞提取方法的關(guān)鍵是采用何種特征值量化指標(biāo)。

目前常用的方法有三種：1、基于詞權(quán)的特征量化主要包括部分語(yǔ)音、詞頻、反向文檔頻率、相對(duì)詞頻、詞長(zhǎng)等。2、基于詞位的特征量化方法是基于不同位置的句子對(duì)文獻(xiàn)的重要性不同的假設(shè)。通常，文章的前N個(gè)詞、后N個(gè)詞、開(kāi)頭、結(jié)尾、標(biāo)題和引言都是有代表性的詞。這些詞可以把整個(gè)主題表達(dá)為關(guān)鍵詞。3、基于詞關(guān)聯(lián)信息的特征量詞的關(guān)聯(lián)信息是指詞與詞、詞與文獻(xiàn)的關(guān)聯(lián)程度，包括互信息、命中值、貢獻(xiàn)度、依賴度、tf-idf值等，這里有一些常用的特征值量化指標(biāo)。部分語(yǔ)音分詞和語(yǔ)法分析的結(jié)果。現(xiàn)有的關(guān)鍵詞大多是名詞或動(dòng)名詞。

一般來(lái)說(shuō)，名詞比言語(yǔ)的其他部分更能表達(dá)文章的主旨。然而，作為特征量化的指標(biāo)，部分語(yǔ)音通常與其他指標(biāo)結(jié)合使用。單詞頻率表示單詞在文本中出現(xiàn)的頻率。一般來(lái)說(shuō)，我們認(rèn)為一個(gè)詞在文本中出現(xiàn)的頻率越高，它就越有可能成為文章的核心詞。單詞頻率只是計(jì)算文本中出現(xiàn)的單詞數(shù)。然而，僅依靠詞頻獲得的關(guān)鍵詞具有很大的不確定性。對(duì)于長(zhǎng)文本，此方法將產(chǎn)生大量噪聲。

一般來(lái)說(shuō)，詞的位置對(duì)詞有很大的價(jià)值。例如，標(biāo)題和摘要本身是作者總結(jié)的文章的主要思想，因此出現(xiàn)在這些地方的詞具有代表性，更容易成為關(guān)鍵詞。然而，由于每個(gè)作者都有不同的習(xí)慣、寫作方法和關(guān)鍵句子的位置，這也是一種非常廣泛的獲得關(guān)鍵詞的方法，通常不單獨(dú)使用。互信息和互信息是信息論中的一個(gè)概念，是衡量變量相互依賴性的一個(gè)指標(biāo)。相互信息不限于實(shí)值隨機(jī)變量。