1.一种融合图结构与节点关联的关键词提取方法，其特征在于：

1)获取文本，进行文本预处理；所述文本预处理的方法，其步骤如下：a.获取文本，文本由若干数目的句子组成；

b.文本除文本中所有的目录、标题、图、表，只留下文本信息；

c.对文本进行分词，对于英文文本，基于简单的空格进行分词；对于中文文本，使用常用的分词算法进行分词；

d.将文本进行停用词过滤；

e.去除每个句子之中重复的词语；

2)挖掘文档的频繁封闭项集并生成强关联规则集合；生成强关联规则集合的方法，其步骤如下：

a.建立事务集和项集；所述事务为文本T中的单个句子；所述事务集即为预处理后的整篇文本T；所述项集为整篇文本T包含的所有词语的任意子集记为I＝{w1,w2,...,wm}，wi为项集里面的第i个词；

b.求封闭项集；所述封闭项集为项集X当且仅当 其中为闭包运算；

c.求项集长度，一个项集中项的个数称为项集长度，长度为k的项集称为k‑项集；

d.求项集的支持度，对于关联规则A→B， 则A→B的支持度sup(A→B)为T中含有A∪B的事务个数与T中总事务数的比值；

e.求关联强度；对于关联规则A→B， 则A→B的关联强度为：f.求强关联规则；对于关联规则A→B， 若满足sup(A→B)≥‑lift +lift

minsup且lift(A→B)≤max 或lift(A→B)≥min ，则A→B为强关联规则；其中，‑lift +lift

minsup为关联规则的最小支持度阈值，max 为最大负关联度阈值，min 为最小正关联度阈值；

g.求封闭频繁项集，项集X为频繁封闭项集当且仅当sup(X)≥minsup且S(X)＝X；

h.生成强关联规则；首先，事务集T的频繁闭包集合为L＝{L1,L2,...,Lk}，其中Li为i‑项集的频繁闭包集合；其次，抽取L中的不同长度的闭包及其支持度构成频繁封闭项集集合FC；然后，由FC得到不同长度的频繁项集及其支持度集合Fre＝{f1,f2,...,f3}，其中fi为i‑频繁项集及其支持度集合；最后，根据fi为2≤i≤k，生成不同形式的关联规则集合AR，这些关联规则由m‑项集为1≤m≤i‑1，的规则头与(i‑m)‑项集的规则体构成，并根据Fre计算‑lift +lift

lift(m‑itemset→(i‑m)‑itemset)；抽取满足lift≤max 或lift≥min 的规则作为强关联规则；

3)将强关联规则集合中不重复的规则头与规则体作为节点，节点之间有边当且仅当彼此存在强关联规则，以关联规则的关联强度作为边权重构建文档的关联图；

4)使用GSNA算法在关联图上随机游走，迭代计算每个节点的重要性分数，并对结果降序排序；

5)对前若干个节点聚类，取出每个类的类中心点作为文档的关键提取结果。

2.如权利要求1所述一种融合图结构与节点关联的关键词提取方法，其特征在于：所述

4)中GSNA算法，其步骤如下：

a.量化节点的图结构属性；为了量化节点的图结构属性，选取了六个指标；其中atr1、atr2、atr3分别表示与一个节点距离为1、2、3的节点个数，atr4为atr1与邻居节点度的平均值的比值，atr5为art2与art1的比值，atr6为art3与art2的比值；假设关联图中存在节点Ni，则Ni可形式化表示为Ni＝(atr1,atr2,atr3,atr4,atr5,atr6)；

b.求两个节点之间的语义距离；假设预处理后文档的词集为I＝{w1,w2,...,wn}，节点Ni与I的共现概率分布为P＝{p1,p2,...,pn}，Nj与I的共现概率分布为Q＝{q1,q2,...,qn}，则Ni与Nj的语义距离为

c.求结合图结构属性与语义信息的节点间相似性；综合节点的图结构属性与语义信息，节点Ni与Nj的相似度衡量如公式(3)所示；当Ni与Nj的图结构属性或语义分布差异越大时，其相似度sij越低，反之当Ni与Nj的结构属性或语义分布越接近时，sij相应越高；

e.归一化每个节点在关联图中的相似度；假设关联图共含有N个节点，存在强关联关系的节点之间有相似度，无强关联关系的节点之间相似度为0，则可形成关联图的相似度矩阵SN×N；为了更形式化地度量一个节点与所有节点的相似程度，将每个节点在关联图中的相似度计算归一化如下：

f.修正PageRank公式；

ri表示节点Ni与图中所有节点的平均相似程度，r＝(r1,r2,...,rN)即为关联图中所有节点与图结构和语义属性相关的固定概率分布；使用ri修正PageRank公式，使得节点不再服从等概率跳转，而是使与关联图相似程度更大的节点被选中的概率更高，其公式如下：由于关联图为无向图，所以公式(5)中C(Nk)表示节点Nk的度，e表示Nk的邻居个数；

g.加强正关联的PR投票分数，降低负关联的PR投票分数；在关联图中，两节点之间有边当且仅当它们之间存在强关联规则；为了加强正关联的PR投票分数，降低负关联的PR投票分数，使用lift值对公式(5)改进如下：h.根据公式(6)在关联图上随机游走，迭代计算每个节点的PR值直至满足公式(7)，使节点分数达到收敛状态，其中β为随机游走终止阈值；

3.如权利要求1所述一种融合图结构与节点关联的关键词提取方法，其特征在于：所述

5)中节点聚类，其步骤如下：将排序后的节点进行K‑Mediod聚类；首先选取降序排序后的前P个节点；其次从P个节点中选定K为K≤P个类中心；然后计算剩余节点与每个类中心的语义距离，并将其分配至所属距离最近的类中；最后，所有节点分配完毕后重新寻找每个类的类中心，并再次分配非类中心的节点；不断地重复类中心调整与分配节点的过程，直至相邻两次的节点分配结果差值达到聚类终止阈值，此时抽取每个簇的类中心作为文本最终的关键词。