随着互联网的发展,网络上出现越来越多的文本,人们迫切需要通过文本关键词快速获取文本的主要内容,以判断文本是否是自己感兴趣的。同时文本关键词提取作为自然语言处理（NLP）领域一项基本研究,其算法的效果直接影响到许多下游任务的效果。因此文本关键词提取算法得到了广泛的关注与研究。基于图的文本关键词提取算法不仅能通过词语之间的关系来衡量词语的重要性而且该类方法为无监督的方法,因此被广泛研究。然而该类方法在构建文本图时大都采用对称的关系对文本图进行构建,如共现关系,这些关系不仅未从文本关键词的意义出发同时也忽略了词语之间关系的差异性。近年来,随着深度神经网络模型的发展,有研究者将神经网络模型引入到文本关键词提取中,并取得了一定的效果。然而基于深度学习的模型往往是有监督的,需要大量的数据进行训练,同时这些模型往往不具有可解释性。为了发挥以上两种文本关键词提取算法的优点同时克服这两种算法的不足,本文将以上两种算法进行结合,并展开了深入的研究。本文主要完成的工作如下:1.结合文本关键词的定义提出了词语关联度,并给出了词关联度的计算方法。同时由于词向量在表征词语上的优越性,提出了使用词向量的投影对词关联度进行表示。2.提出了基于词关联度的文本关键词提取算法,将词关联度用于构建有向的文本图,最后利用构建的有向图实现的文本关键词的提取。在公开的数据集上进行实验对比,证明了基于关联度的文本关键词提取算法的优越性。3.针对现有的基于深度学习的文本关键词提取算法需要大量训练数据和不具有可解释性的缺点,将注意力机制与文本关键词进行结合,提出了基于NSelfAttention的文本关键词提取算法。同时为了训练NSelf-Attention模型,本文提出了基于NSelf-Attention的掩码语言模型。4.在相关的数据集下进行对比实验,证明了本文提出的基于NSelf-Attention的文本关键词提取模型的有效性。