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。
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：
（1）基于统计的关键词提取方法
该方法根据统计信息，如词频，来计算得到文档中词语的权重，按权重值排序
提取关键词。TF-IDF 和 TextRank 均属于此类方法，其中 TF-IDF 方法通过计算
单文本词频（Term Frequency， TF）和逆文本频率指数（Inverse Document
Frequency， IDF）得到词语权重；TextRank 方法基于 PageRank 的思想，通
