思路：

1.讀取所有文章標題；

2.用“結巴分詞”的工具包進行文章標題的詞語分割；

3.用“sklearn”的工具包計算Tf-idf（詞頻-逆文檔率）;

4.得到滿足關鍵詞權重閾值的詞

結巴分詞詳見：結巴分詞Github

sklearn詳見：文本特征提取――4.2.3.4 Tf-idf項加權

TfidfVectorizer( ) 類 實現了詞向量化和Tf-idf權重的計算

詞向量化：vectorizer.fit_transform是將corpus中保存的切分后的單詞轉為詞頻矩陣，其過程為先將所有標題切分的單詞形成feature特征和列索引，并在dictionary中保存了{‘特征'：索引，……}，如{‘農業'：0，‘大數據'：1，……}，在csc_matric中為每個標題保存了 (標題下標，特征索引) 詞頻tf……，然后對dictionary中的單詞進行排序重新編號，并對應更改csc_matric中的特征索引，以便形成一個特征向量詞頻矩陣，接著計算每個feature的idf權重，其計算公式為 其中是所有文檔數量，是包含該單詞的文檔數。最后計算tf*idf并進行正則化，得到關鍵詞權重。

以下面六個文章標題為例進行關鍵詞提取

Using jieba on 農業大數據研究與應用進展綜述.txt

Using jieba on 基于Hadoop的分布式并行增量爬蟲技術研究.txt

Using jieba on 基于RPA的財務共享服務中心賬表核對流程優化.txt

Using jieba on 基于大數據的特征趨勢統計系統設計.txt

Using jieba on 網絡大數據平臺異常風險監測系統設計.txt

Using jieba on 面向數據中心的多源異構數據統一訪問框架.txt

----------writing all the tf-idf in the 0 file into ./keywords/ 0 .txt----------

農業 0.773262366783

大數據 0.634086202434

----------writing all the tf-idf in the 1 file into ./keywords/ 1 .txt----------

hadoop 0.5

分布式 0.5

并行增量 0.5

爬蟲 0.5

----------writing all the tf-idf in the 2 file into ./keywords/ 2 .txt----------

rpa 0.408248290464

優化 0.408248290464

服務中心 0.408248290464

流程 0.408248290464

財務共享 0.408248290464

賬表核對 0.408248290464

----------writing all the tf-idf in the 3 file into ./keywords/ 3 .txt----------

特征 0.521823488025

統計 0.521823488025

趨勢 0.521823488025

大數據 0.427902724969

----------writing all the tf-idf in the 4 file into ./keywords/ 4 .txt----------

大數據平臺 0.4472135955

異常 0.4472135955

監測 0.4472135955

網絡 0.4472135955

風險 0.4472135955

----------writing all the tf-idf in the 5 file into ./keywords/ 5 .txt----------

多源異構數據 0.57735026919

數據中心 0.57735026919

統一訪問 0.57735026919

以上這篇Python3 文章標題關鍵字提取的例子就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持腳本之家。