当前网络技术迅速发展,信息量倍增,如何才能快速有效地从海量的文本中实现信息的快速获取,已经成为读者的迫切需求。从根本上来讲,对关键信息的提取效果取决于信息组织的效率,而文本关键词的提取技术就是信息组织的关键所在,因此文本自动关键词提取技术的研究便应运而生。作为自然语言处理领域的重要组成部分,自动关键词提取技术在信息检索、自动标引、问答预测系统等领域都有广泛的应用,随着大数据技术的快速发展,其技术手段也被不断更新,应用范围也在日益扩大。如何实现提取模型简单、精准率高的自动关键词提取方法成为当下研究的热点。当前对自动关键词抽取的研究主要分为有监督方法和无监督方法。每一种方法中都包含诸多具体算法。就当前各类算法来看,以单一算法实现关键词提取的居多;从特征使用上来看,以显性特征的使用为主;而从提取效果来看则存在精准率还不够高、复杂度较高等问题。对此,本文开展基于神经网络的关键词推荐算法的研究,旨在探索使用隐性特征与神经网络相结合来构造高效简单的关键词推荐模型,以期在理解文章语意的基础上实现关键词的推荐;另外,通过将无监督和有监督方法中的多种算法做进一步融合,以达到更好的关键词推荐效果。本文主要从以下两方面来开展研究:第一方面,使用候选关键词的隐性特征与神经网络算法相结合,进行关键词提取模型训练。在文本特征提取上,使用Glo Ve词向量化技术来构造维度低、向量空间密集的词向量,在分类器的选择上,使用GRU神经网络算法进行关键词提取模型训练。通过实验证明,以上方法在基于文本语义理解的基础上进行关键词提取,虽然关键词提取效果与当前基于RNN的方法相似,但模型训练更加快速简单。第二方面,无监督方法中多种基于简单统计的关键词提取算法进行独立运算,各生成Top K个候选关键词集,创新性地将它们作为词特征表示,再与有监督方法中的BP神经网络进行融合,作为BP神经网络的输入,从而进行关键词提取新模型训练,实现无监督与有监督方法的融合。通过实验证明,在精准率和综合指标上与基于简单统计的方法相比,多算法融合后的模型提取效率更高,更加稳定。同时还证明了,对基于神经网络的关键词提取算法来说,短文本往往比长文本效果更佳;样本数量越多,训练的效果越好。