【摘要】：文本关键词能够反映文本主题内容，关键词提取算法很多，可采用不同的算法实现关键词提取。采用词向量方法实现中文文本关键词提取，主要从以下几个方面进行：中文文本分词、预处理、去除停用词等。根据词与文本之间的相似度进行降序排序，获得排序在前的若干个词作为文本的关键词。我们仍然采用上节描述的三个文本进行测试，对其中的关键词进行提取，其实现过程描述如下：运行结果如下：text1：text2：text3：
文本关键词能够反映文本主题内容，关键词提取算法很多，可采用不同的算法实现关键词提取。采用词向量方法实现中文文本关键词提取，主要从以下几个方面进行：
（1）中文文本分词、预处理、去除停用词等。
（2）采用词向量实现文本向量化，即利用上节描述的文本中所有词向量的平均值实现文本向量化。
（3）根据文本中每个词的词向量，计算词和文档之间的相似度。相似度的计算可采用上节描述的欧氏距离或余弦相似度进行。
（4）根据词与文本之间的相似度进行降序排序，获得排序在前的若干个词作为文本的关键词。
我们定义了如下的关键词提取函数：
参数：
text：经过分词、预处理后的文本（词序列）。
w2vModel：采用Word2vec训练好的词向量模型。
simMethod：向量相似度计算方法，可选“cos”和“euclid”。(www.xing528.com)
topn：提取topn个关键词。
返回值：
key_order[：topn]：返回topn个关键词。
我们提取相似度最高的前10个词作为文本的关键词，文本向量表示采用上节描述的方法（还有许多改进的方法，读者有兴趣可以自行去研究，此处只是为了介绍相关方法而没有进行相应算法的效果评价）。向量相似度采用上节描述的余弦相似度计算方法（cos_sim）。
我们仍然采用上节描述的三个文本进行测试，对其中的关键词进行提取，其实现过程描述如下：
运行结果如下：
text1：
text2：
text3：
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
