1.提取语料中的50个高频词； 2.使用TextRank提取语料中的5个关键词； 3.提取语料中的5个短语。 扩展任务：抽取语料中的关系。

1. 提取语料中的50个高频词通常涉及文本预处理步骤，包括分词、去除停用词（如“的”、“了”等常见词语）、计数和排序。你可以使用Python库如jieba进行分词，NLTK或sklearn提供停用词表，然后统计每个词出现的频率，并选取出现次数最多的前50个词作为高频词。

import jieba.analyse
from collections import Counter

# 分词并去停用词
words = [word for word in jieba.cut(text) if word not in stop_words]
# 计算词频并获取前50个高频词
top_50_words = Counter(words).most_common(50)

2. 使用TextRank算法（一种基于图论的关键词抽取算法），比如Gensim库中的`summarize`函数，可以提取出语料中的关键信息。例如：

from gensim.summarization import keywords

keyword_text = "..."  # 输入你的文本
top_5_keywords = keywords(keyword_text, ratio=0.1)  # 指定保留关键词的比例

这里`ratio=0.1`表示保留10%的重要性最高的词汇作为关键词。

3. 对于短语提取，可以考虑使用n-gram模型，如NLTK的bigrams或trigrams：

from nltk import ngrams

# 示例文本
text = "..."
# 生成2-gram（双词短语）
bigram_phrases = [" ".join(ngram) for ngram in ngrams(text.split(), 2)]
# 获取最常见的5个短语
top_5_phrases = Counter(bigram_phrases).most_common(5)

扩展任务：抽取语料中的关系，这取决于语料的具体内容，如果是结构化的数据，如网络数据、知识图谱，可以分析实体之间的关系；如果是非结构化文本，如新闻或社交媒体，可能需要使用命名实体识别（NER）和依存句法分析来识别主谓宾关系、时间空间关系等。常见的工具和库有spaCy、Stanford CoreNLP等。