利用Python实现中文文本关键词抽取的三种方法
文本关键词抽取，是对文本信息进行高度凝练的一种有效手段，通过3-5个词语准确概括文本的主题，帮助读者快速理解文本信息。目前，用于文本关键词提取的主要方法有四种：基于TF-IDF的关键词抽取、基于TextRank的关键词抽取、基于Word2Vec词聚类的关键词抽取，以及多种算法相融合的关键词抽取。笔者在使用前三种算法进行关键词抽取的学习过程中，发现采用TF-IDF和TextRank方法进行关键词抽取在网上有很多的例子，代码和步骤也比较简单，但是采用Word2Vec词聚类方法时网上的资料并未把过程和步骤表达的很清晰。因此，本文分别采用TF-IDF方法、TextRank方法和Word2Vec词聚类方法实现对专利文本（同样适用于其它类型文本）的关键词抽取，通过理论与实践相结合的方式，一步步了解、学习、实现中文文本关键词抽取。
目录
利用Python实现中文文本关键词抽取的三种方法 1
1 概述 1
2 开发环境准备 2
2.1 Python环境 2
2.2 第三方模块 2
3 数据准备 3
3.1 样本语料 3
3.2 停用词词典 4
4 基于TF-IDF的文本关键词抽取方法 4
4.1 TF-IDF算法思想 4
4.2 TF-IDF文本关键词抽取方法流程 5
4.3 代码实现 5
5 基于TextRank的文本关键词抽取方法 6
5.1 PageRank算法思想 6
5.2 TextRank算法思想 7
5.3 代码实现 8
6 基于Word2Vec词聚类的文本关键词抽取方法 8
6.1 Word2Vec词向量表示 9
6.2 K-means聚类算法 9
6.3 Word2Vec词聚类文本关键词抽取方法流程 10
6.4 代码实现 11
7 结语 11
1 概述
一篇文档的关键词等同于最能表达文档主旨的N个词语，即对于文档来说最重要的词，因此，可以将文本关键词抽取问题转化为词语重要性排序问题，选取排名前TopN个词语作为文本关键词。目前，主流的文本关键词抽取方法主要有以下两大类：