[发明专利]一种适用于word文本的关键词提取方法

权利要求书

1.一种适用于word文本的关键词提取方法，其特征在于，包括以下步骤：

S1：获取word文本并提取正文；

S2：分别利用TFIDF算法和TextRank算法提取设定个数的关键词；

S3：获取文本名称和文本标题，并进行分词；

S4：对TextRank算法提取的每个关键词分别构建文本特征向量，并输入训练完成的关键词提取模型，所述的文本特征向量为包含六位数的向量，其中第一位数表示该词在TextRank算法提取的关键词中的排名；第二位数表示该词在TFIDF算法提取的关键词中的排名；第三位数和第四位数为步骤S41中得到的向量；第五位数和第六位数为步骤S42中得到的向量；

所述的步骤S41具体为：判断利用TextRank算法提取的关键词是否出现在文本名称的分词中，若是，则用[1,0]向量表示，否则用[0,1]向量表示；

所述的步骤S42具体为：判断利用TextRank算法提取的关键词是否出现在文本标题的分词中，若是，则用[1,0]向量表示，否则用[0,1]向量表示；

S5：利用关键词提取模型，对通过TextRank算法提取的关键词再次提取，得到最终关键词集合，完成文本关键词的提取，具体包括：所述的关键词提取模型根据输入的文本特征向量，判断TextRank算法提取的关键词是否为真实关键词，若是，则输出为1，否则输出为0，最后取出判断结果为1的词，作为最终关键词集合，完成文本关键词的提取；

所述的关键词提取模型的训练步骤具体包括：

A1：获取包含文本名称、文本标题和正文的多篇文本，组成训练集；

A2：对训练集中的文本进行预处理，得到预处理后文本；

A3：提取文本原有关键词，并进行分词，作为文本特征向量的标签；

A5：分别利用TFIDF算法和TextRank算法提取设定个数的关键词；

A6：获取文本名称和文本标题，并分别判断利用TextRank算法提取的关键词是否出现在文本名称和文本标题中，若是，则用[1,0]向量表示，否则用[0,1]向量表示；

A7：构建文本特征向量矩阵，所述的文本特征向量矩阵中包括利用TextRank算法提取的关键词所对应的向量，该向量为包含七位数的向量；

A8：利用文本特征向量矩阵创建关键词提取模型并进行模型训练。

2.根据权利要求1所述的一种适用于word文本的关键词提取方法，其特征在于，若利用TextRank算法提取的某个关键词，在TFIDF算法提取的关键词中不存在，则文本特征向量的第二位数的值设为利用TFIDF算法提取的关键词的数量。

3.根据权利要求1所述的一种适用于word文本的关键词提取方法，其特征在于，所述的步骤S2具体包括：

利用TFIDF算法提取tfidf值排名靠前的100个词作为TFIDF算法的关键词，利用TextRank算法提取排名前100个词作为TextRank算法的关键词。

4.根据权利要求1所述的一种适用于word文本的关键词提取方法，其特征在于，所述的包含七位数的向量中，第一位数表示该词在TextRank算法提取的关键词中的排名；第二位数表示该词在TFIDF算法提取的关键词中的排名；第三位数和第四位数为步骤A6中得到的，用于表示该词是否出现在文本名称中的向量；第五位数和第六位数为步骤A6中得到的，用于表示该词是否出现在文本标标题中的向量；第七位数表示该词是否为原有关键词中的一个，若是则记为1，否则记为0。

5.根据权利要求4所述的一种适用于word文本的关键词提取方法，其特征在于，所述的关键词提取模型为二分类模型P(Y|X)，模型训练时，所述的文本特征向量矩阵中每个向量的前六位数作为X，第七位数作为标签Y。

6.根据权利要求5所述的一种适用于word文本的关键词提取方法，其特征在于，所述的关键词提取模型使用LR模型、SVM模型或决策树模型。