关键词常用于标引论文主要内容,信息检索系统利用关键词搜集以供读者查阅。而当今社会是互联网时代,网页上的信息量巨大,网络应用也越来越丰富,关键词的重要性更加突出。国外对于网页关键词提取的研究起步较早,美国IBM公司的H.P.Luhn首先提出关键词自动标引,时至今天,已有近60年的发展历程。ADM公司的Turney首次将遗传算法和C4.5决策树机器学习方法应用在关键短语的自动提取。网页关键词自动提取方法的研究围绕网页的特殊性,依据网页跟普通文本的不同,充分利用网页自带的各种标记对网页关键词进行自动提取。常用的关键词提取算法有基于统计的方法、基于语义的方法和基于词语网络的方法,本文在已有算法的基础上给出了一种基于词跨度的网页关键词提取方法,依靠网页面的特殊性,充分利用网页中的各种标识对文本进行分析,然后利用词语在文章内容中第一次出现的位置和最后一次出现的位置以及该词在文中出现过的段落数与全文段落总数的比值等因素,改进了算法的权重计算公式,有利于降低局部关键词对提取结果的影响,同时本文算法还充分考虑了词频因子,词性因子,词位置因子,词长因子,是否出现在提示词之后等多种特征因子,通过对这些因子进行权重计算提取关键词。另外,本算法所生成的高频组合词的应用也有利于提高算法的精确度。传统的算法由于考虑的因素较少,考虑的特征项也不多,因而整体效果不如本文的算法。实验结果表明:与传统算法相比,本文的算法在召回率和准确率上有了明显的提高,且随着测试集数量的增多,测试效果越明细。同时对于不同长度和类型的文本,本文算法都表现出了较强的稳定性,并没有针对某一特定类型的测试集出现实验结果急剧恶化的现象。