文本特征提取旨在从文本中挖掘能表现文本特征的语言成分,是自然语言处理研究的重要课题之一。伴随着互联网数据井喷式地增长,越来越多的数据需要被处理和存储。海量的文本数据不但需要极多的硬件设备支持,而且对文本处理的性能和准确性的要求也越来越高。高效地从文本中抽取出有价值的内容,不但可以减少存储数据的规模,还能提炼出更有价值的信息,为分类、聚类等自然语言处理的后续工作提供数据基础。不同的垂直领域的文本具有不同的属性和特点,如何更加快速而有效地从这些领域中挖掘出与文本处理任务相关的属性和特征,不但是自然语言处理科学研究的重点,而且是人工智能社会生产中的重要需求之。本文基于现有的研究成果,着重在文本特征抽取的性能和效率两个方面做了大量的研究工作。在互联网舆情和电商领域的前提下,本文分析和比较了基于统计、基于图模型和基于语言学三种文本特征提取方法的优劣,并创新性地将基于图模型的和基于统计的特征抽取方法相结合,提出了一种基于词共现网络和卡方统计的文本特征词提取方法。该方法综合考虑文章关键词和摘要关键词,不仅发挥了图模型识别语义抽取丰富、精度高的优势,而且保留了统计模型性能好、速度快的特点。在模型性能和效果的分析中,本文从数据规模、时间复杂度、应用类型三个方面评估该模型优势和不足。实验结果表明,该方法相比传统的tf-idf、textRank等经典特征抽取算法,精度提高了 5%-10%,性能提升了 50个百分点。该模型效果不随数据规模、文本处理任务的变化而变化,因此该模型具有较强的任务迁移和泛化能力。本文通过flask框架实施了算法落地,客户端通过向服务端发送http请求实现模型的实时服务,统一了应用接口,并且支持多条数据的分布式处理。