结合邻域知识的文档级关键词抽取方法

李晨亮，龙俊辉，唐作立，周 涛

(1. 武汉大学空天信息安全与可信计算教育部重点实验室 武汉 430072；2. 武汉大学国家网络安全学院 武汉 430072)

关键词抽取技术是一种从文本中抽取主题和一些重要短语的技术，可以帮助阅读者快速了解文本中最有价值的信息[1]。一篇文档的关键词通常是几个单词或者短语，可以作为该文档主要内容的提要。近几十年来，自动抽取关键词的任务受到了广泛关注[2]。另外，由于关键词具有表达简洁、精准的特点，被广泛用于自然语言处理领域中的下游任务，比如文本摘要、情感分析以及文本聚类等[3]。

最传统的关键词抽取方法基于TF-IDF，它能识别出在当前文档中频繁出现，但在整个文档集合中不会频繁出现的单词，即该文档的重点单词。还有基于图的排序方法[4]，它首先从文档构造一个词图，然后用基于随机游走的方法(如PageRank)确定关键词的重要性。通过构建词图，这些方法可以有效地识别最显著的关键词。近年来，基于端到端神经网络的关键词抽取方法受到越来越多的关注。文献[2]将关键词抽取视为一项序列标注任务，并提出了一种联合层RNN的模型。文献[5]首先提出了一种用于关键词抽取的编码器-解码器框架，并在框架中引入了注意力机制，使模型基于输入的文档来输出对应的关键词。文献[6]进一步提出了一个基于CNN的模型来完成这项任务。文献[7]提出了一种标题指导的seq2seq网络来加强隐式文档表示。另外，为了考虑生成的关键词之间的关系，文献[8]使用了自适应奖励的强化学习方法。……