主题词、关键词、特征词，不再傻傻分不清

在文本处理工作中，经常会遇到主题词提取、关键词提取和特征词提取操作。对于大多数初次接触文本处理的同学来说，这三个词具有一定的混淆性。今天我们来理理三者的区别，还原它们的本来面目。

首先说一下主题词（Subject terms）

主题词又称叙词，是从自然语言中选取的能表征文献内容特征，经过规范化处理的名词术语，是在标引和检索中用以表达文献主题的人工语言*，具有概念化和规范化的特征。

主题词可以是单词、词组或短语，它对文献中出现的同义词、近义词、多义词以及同一概念的不同书写形式等进行严格的控制和规范，不能随意命名。以使每个主题词都含义明确，以便准确检索，防止误检、漏检。

主题词的选取主要依据主题词表。在最能体现文本内容的词中选取一定数量的词（一般3-5个，常见为3个

然后再说一下关键词（Keywords）

关键词是指那些出现在文本的标题（篇名、章节名）以及摘要、正文中，对揭示和描述文献主题内容有关键性作用的重要词语。关键词属于自然语言*的范畴，未经规范化处理，不受主题词表的控制。

由于关键词语言直接采用自然语言作检索标识，对大量存在的等同、同义等关系未加规范统一，在检索时往往不可能把表达某一概念的全部等同关系词都考虑到，因此，错检、漏检的可能性比较大。（在此可以理解为，对同一意义的不同表达，会使读者或软件困惑或误解）。

比如在语料库中有的用了“我们”（50篇），有得用了“咱们”（30篇），既用“咱们”又用“我们”的（10篇）。如果我们要查找包含涉及“第一人称群体”的文本时，用“我们”查，结果是50篇；用“咱们”查，结果是30篇。实际上，准确反映需求的结果应该是70篇（50+30-10）。如果我们把“咱们”都用“我们”进行规范化替代（原本并不替换），查询则结果就应该是70篇。

根据关键词进行检索，就是在文本著录数据的关键词列表中进行检索。

最后说一下特征词（Feature words）

在文本处理中，特征词是指那些出现在文本中的，用于区别该文本与其它文本不同的那些词。特征词起到表示（而不是表达）该文本的作用。特征词也属于自然语言的范畴，未经规范化处理，也不受主题词表的控制。比如在语料库中，！这个字符仅出现在文本t中，那么！就可以作为文本t的特征词，尽管它并没有体现文本语义的作用。

根据以上论述，我们可以看出，主题词可以理解为对关键词的规范化与精炼化的结果，是对整个文本高纯度提纯的结果。而特征词仅仅就是一种标志物提取。

因此就自然语言处理而言，提取特征词难度是最小的；而提取关键词是有难度的，因为有了体现语义的要求；而主题词的提取难度最高，因为是对文本语义最高度的概括，需要对文本内容最为透彻的理解和主旨最为准确的把握，非目前硅基智能所能掌握。

---

*人工语言可以理解为经人类加工和处理的语言表达，比如进行同义词替代，根据语义进行各种删减、扩写、变换等；自然语言可以理解为文本原词表达，不作任何变换。