近年来,得益于数据科学的飞速发展,越来越多的信息以数据的形式出现在人们的视野中,如何从这些数据中挖掘有用的信息成为一个迫切的需求,人工智能的研究亦因此获得了极大的进步。而自然语言处理作为“人工智能皇冠上的明珠”,更是吸引了众多学者参与到对其的研究中,文本挖掘便是其中的重点研究领域之一。事实上,文本可视为由不同的词根据某种潜在关系相互联结而组成的网络。网络又被称为图,是一种独特的非欧数据结构,可对一组对象及其关系进行建模。近年来,网络结构由于其强大的表达能力,受到了越来越多的关注。现实世界中存在许多的网络结构,由于此类网络的拓扑结构往往具有很高的复杂性,因此被称为复杂网络。中心性是复杂网络理论中的一个重要概念,能够度量节点与边在网络中的重要程度。目前,学者们提出了多种基于中心性的节点重要程度排序与社区发现算法,但其中绝大多数算法仅基于启发式概念而设计,未考虑到中心性本身的作用机制与网络结构对中心性的影响。基于上述内容,本文主要研究内容如下:(1)研究了基于中心性的算法的设计原理,并剖析了其中一种基于中心性的社区发现算法的工作机制,针对该算法在进行网络划分时存在的与中心性工作机制不符之处,提出了一种改进的社区发现算法,并通过对比实验说明了本文改进策略的有效性;(2)构造具有不同拓扑结构的文本网络,在这些文本网络上比较了上述基于中心性的算法在处理关键词抽取与主题识别问题时的表现,并通过实验结果分析了文本网络拓扑结构对中心性在处理不同文本挖掘问题时的影响。实验结果表明,部分局部中心性处理关键词抽取问题时具有接近甚至超越全局中心性的效果,而在主题识别中,局部中心性往往拥有更好的准确性与计算效率。