关键词是文本主题信息的精炼,可帮助人们快速获得文章的核心内容,并被广泛应用于信息检索、问答系统、文本分类等领域。传统基于图的关键词提取方法,仅考虑到词在共现词图中的全局结构信息,忽略了词在序列中的潜在语义信息。现有研究表明词向量学习技术可以有效捕获词在序列中的潜在语义信息。故本研究主要聚焦于:在基于图的关键词提取方法中融合词向量,以及提出面向关键词提取的词向量学习模型。具体工作包括:利用通用的词向量模型学习词向量,并融合其与词在文档中的位置信息来改进基于图的关键词提取算法。针对现有基于图的关键词提取方法忽略了词在序列中的潜在语义信息的不足,该方法将包含了词在序列中潜在语义的词向量,与词在文档中的位置信息相结合,改进PageRank算法来为单词更加合理地评分,从而提高关键词提取的效果。实验分别使用Skip-gram,TWE-1和fastText三个通用的词向量模型来学习词向量,并与5个无监督的关键词提取方法做对比。实验结果表明,我们提出的融合词向量和位置信息的关键词的图提取算法在所有评估指标上均优于PositionRank方法的结果。提出面向关键词提取的词向量学习模型,并将其应用到基于图的关键词提取方法中。针对通用的词向量学习模型未能有效整合词的文本特征的不足,提出了面向关键词提取的词向量学习模型。该词向量学习模型首先根据文本内容及其主题信息构建异构文本图;然后在这个异构文本图上嵌入训练;最后得到每个单词的词向量。基于图的关键词提取方法融合学到的词向量来为单词更好地评分。另外,针对短语评分方法未能有效利用词之间的相关性进行评分的不足,提出基于词向量的短语评分方法,使用单词在向量空间下的距离为短语更加合理地打分。与8个无监督的关键词提取方法对比的实验结果表明,提出的关键词提取算法能够更好地为单词和短语打分,从而提高关键词提取的效果。