关键词可以高效地用于检索、理解文本内容,使用户快速获取文本的主要思想。现有的关键词提取技术提取的关键词质量尚不理想,这不利于后续任务的进行。为了提升关键词提取的准确性,本文主要从图方法和神经网络方法两个方面,对关键词提取方法进行了研究与改进。针对多数关键词提取方法只使用了少量特征的问题,本文提出了一种改进TextRank的多特征关键词提取方法。该方法在TextRank算法的基础上,融合了多个特征。如果一个单词在越多的句子中出现,我们认为这个单词的重要性就越高,所以将计算目标单词所出现的句子总数作为一个特征融入TextRank中,同时使用词跨度、词位置倒数和来修改TextRank的转移概率,使用LDA主题信息修改重启概率,得到了一个改进的TextRank关键词提取算法。我们在SemEval2010、KDD及WWW三个数据集上进行了对比实验,实验结果表明,改进算法在准确率、召回率、F1-score上,比基线算法TF-TDF、TextRank、SingleRank及TopicRank有了明显的提高。改进TextRank的多特征关键词提取方法只是基于图模型的方法,本文的另外一项研究是将图模型和神经网络方法结合,提出了一个结合BiGRU和PositionRank的关键词提取方法。通过使用BiGRU网络学习文档中词的前向和后向的上下文信息,使用图方法PositionRank算法学习词在文档中的每一个位置特征,将这两部分提取到的关键词进行合并,选择得分最高的词作为最终关键词。我们同样在SemEval2010、KDD及WWW三个数据集上进行了对比实验,实验结果表明,本文方法的关键词提取质量相较基于BiLSTM和PositionRank的基线方法更高,且图模型和神经网络结合方法的关键词提取质量也比只用图方法要高。