利用LDA主题模型、Word2Vec词向量模型与TextRank相融合的关键词抽取算法获取火锅店用户评价文本中的关键词的python代码

以下是一个示例代码，展示如何利用LDA主题模型、Word2Vec词向量模型与TextRank相融合的关键词抽取算法获取火锅店用户评价文本中的关键词。

import jieba
import gensim
from gensim.models import LdaModel
from gensim import corpora
from textrank4zh import TextRank4Keyword

# 加载停用词表
stopwords = []
with open('stopwords.txt', 'r', encoding='utf-8') as f:
    for line in f:
        stopwords.append(line.strip())

# 加载LDA模型
lda_model = LdaModel.load('lda_model.model')

# 加载Word2Vec模型
w2v_model = gensim.models.Word2Vec.load('w2v_model.model')

# 加载TextRank模型
tr4kw = TextRank4Keyword()

# 处理文本
text = '这家火锅店的羊肉很好吃，服务也不错，环境很舒适。但是价格有点贵，希望能优惠一下。'

# 分词
seg_list = jieba.cut(text)

# 过滤停用词
seg_list = [word for word in seg_list if word not in stopwords]

# 获取关键词
keywords = []

# 利用LDA模型获取关键词
bow = lda_model.id2word.doc2bow(seg_list)
topic_list = lda_model.get_document_topics(bow)
for topic in topic_list:
    topic_words = lda_model.show_topic(topic[0])
    for word in topic_words:
        keywords.append(word[0])

# 利用Word2Vec模型获取关键词
for word in seg_list:
    try:
        similar_words = w2v_model.wv.most_similar(word, topn=3)
        for similar_word in similar_words:
            keywords.append(similar_word[0])
    except KeyError:
        pass

# 利用TextRank模型获取关键词
tr4kw.analyze(text, lower=True, window=2)
keywords += tr4kw.get_keywords(10, word_min_len=2)

# 去重
keywords = list(set(keywords))

print(keywords)

这个示例代码中，我们首先加载了停用词表、LDA模型、Word2Vec模型和TextRank模型。然后，我们对输入的文本进行分词，并过滤掉停用词。接着，我们利用LDA模型、Word2Vec模型和TextRank模型分别获取关键词，并将它们合并起来去重。最后，我们打印出获取到的关键词。