关键词抽取模型得总结

对于文本分析而言，关键词是很重要的一个分析成分，对于抽取关键词而言，一般采用的有四种方式。

首先，对于TF-IDF，TF指的是词频， IDF指的是逆文档频率，一般是二维矩阵， 行代表的是文档，列代表的是单词。优点是可以很快的提炼出代表性的单词，一般而言，精度满足需求，但主要的缺陷在于应用与分类中，如何应用是一个问题。在某一类文本中，出现词频高的词不仅仅是停止词之类的，词频高的词也可以很好的代表这一类文章。此时，需要统计分类的类别，然后利用某单词下的某类别中的平均值来作为单词的Tf-idf，最终得到某类别下的TF-IDF值高的前几位，来作为关键词来处理。

其次，利用TextRank算法，是一种基于图排序的做法。在TFIDF中，主要针对的是多篇文档的情况，而如果文档比较少的情况下，需要得到某篇文档中的关键词，则需要利用的TextRank技术。主要是将文本分割为若干个单元并组成图模型，利用投票机制来对文本中的重要成分进行排序，也就是利用单篇文章本身就可以实现关键词的抽取问题。