文本关键词抽取是从文本中把能代表该文本内容的词或短语抽取出来的一种自然语言处理技术,它是自然语言处理领域较为重要的一个研究方向,在信息检索、图书馆学、情报学等领域都有重要的实际应用价值。尤其是进入二十一世纪,随着移动互联网等信息技术的快速发展,文本类型的数据呈现出指数增长的态势。对于企业和一些组织而言,这些文本数据具有极大的潜在应用价值,然而如何快速理解、利用这些文本数据是当前企业面临的一个重大实际问题。构建一个有效的关键词自动抽取系统是利用这些文本数据的可行和必要方式之一。在为数众多的文本关键词抽取算法当中,TopicRank算法是一个典型的图排名算法,它在著名的TextRank算法基础上引入了关键词的聚类过程,然后用网络图来对候选关键词聚类进行排名,最后抽取排名最高的聚类中最具代表性的候选关键词作为文本关键词。TopicRank算法认为相比于单个的词,聚类形成的主题能够更好地代表文章内容,消除单个词所带来的语义重复问题。而同TextRank算法类似,TopicRank算法本质上利用的还是文本候选关键词的词频信息,只是利用词频信息的方法有进一步提升和改进。本文认为,除了词频信息以外,文本当中的其他统计特征,如一个候选关键词的长度和它在文章中的位置等对于它是否能代表文章内容也具有重大的影响。同时,TopicRank算法在对候选关键词进行聚类的时候,聚类依据是候选关键词的词形相似度,本文认为这种聚类方式会偏向聚类长度更长的候选关键词,忽略长度较短的关键词,达不到真正的聚类效果。因此,本文采取两种改进TopicRank的方法:第一种在TopicRank词形聚类的基础上加上词向量聚类的过程,实现根据语义进行聚类的目的;第二种将候选关键词的长度和位置信息等统计特征有效地融入TopicRank,形成TopicLPRank,将无监督关键词抽取算法当中的图模型方法和统计方法结合起来,探索进一步提高文本关键词抽取准确度的有效方法。为了证明本文提出的关键词抽取方法的有效性,本文在多个不同规模、不同类型的数据集上做了大量对比实验。实验结果显示,加入词向量聚类的过程能有效改进TopicRank聚类效果,而单独加入候选关键词的长度和位置信息最好情况下能使模型的F1值提升1.5以上,相当于原有模型效果的10%以上,同时融合候选关键词的长度和位置信息则能使F1值增加3.5以上,相当于原有模型效果的25.21%。实验结果表明了本文提出的关键词抽取方法TopicLPRank是有效和可行的。综上所述,本文针对文本关键词抽取算法TopicRank存在的问题与不足,提出了两种改进的方法,并进行了充分的实验。实验结果证明本文提出的两种改进方法能有效提升TopicRank抽取关键词的能力,验证了本文提出方法的有效性。