关键词抽取是从文本或文本集合中抽取描述主题性的词或短语。准确地抽取文本中的关键词可以快速总结文本内容,在许多自然语言处理任务中都有着至关重要的作用,如信息检索和支持决策等。当前大多数的关键词抽取方法不能针对每篇特定的文本进行抽取,通常都是抽取一个文本集合或者一个语料库中的关键词,而且不能灵活的捕获单词之间的语义关系。针对上述问题,本文提出两种新颖的从英文文本中抽取关键词的算法。一种是特定文本中强语义关系的监督关键词抽取算法Ke_MSMING。该算法首先将序列模式挖掘和LDA主题模型相结合,进行关键词候选集合的搜索:其次,利用有监督的机器学习算法训练关键词抽取模型;最后,选取预测概率值大的前top-k个词作为最终的关键词。在训练阶段,算法Ke_MSMING不仅使用了 baseline features和pattern features训练模型,而且使用从语义网络中获得的centrality features训练模型,语义网络不仅为关键词抽取提供了丰富的语义信息,而且提供了单词之间的共现信息。另一种是基于频繁模式挖掘和词嵌入模型的关键词抽取算法Ke_MSMVec。该算法首先构建文本共现网络,接着使用deepwalk算法学习网络中结点的向量表示;其次,学习到文本中单词的向量表示后,由于题目和摘要是文本主题的高度概括,提出对文本中题目和摘要的词向量求和取平均值的方法,得到文本的参考向量(reference vector),将该参考向量视为该篇文本的语义向量表示;紧接着,使用基于一般间隙约束和one-off条件的序列模式挖掘算法MSMING对文本的关键词候选集合进行搜索,算法MSMING不仅可以搜索出重要的高频词,而且可以挖掘出意思相似而出现形式多变的词;最后,计算关键词候选的词向量和文本参考向量的相似性值,计算结果作为特征,和基本特征以及模式特征拼接后送入分类器进行模型的训练。本文提出的两种关键词抽取算法可以捕获文本中的语义信息,能够有效的解决传统关键词抽取方法中忽略语义等问题。我们在数据集INSPEC和SemEval-2010上进行实验,通过Precision、recall与F1值这三种评价标准对实验结果进行对比,实验结果表明,本文提出的两种关键词抽取算法优于其它关键词抽取算法。