核心词汇提取有五种方法：一、qwen3-base指令微调；二、通义千问电商中心词服务；三、qwen-vl图文联合推导；四、简道云+插件批量处理；五、qwen2.5-7b本地lora部署。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您输入一段文本，希望快速获知其中最具代表性的核心词汇，则可能是由于缺乏对语义重心的自动识别能力。以下是实现关键词提取的具体操作路径：
一、使用Qwen3-Base模型配合指令微调提取关键词
该方法利用Qwen3-Base大语言模型的上下文理解能力，在明确指令引导下聚焦输出高相关性词汇，无需额外训练即可适配短文本场景。
1、在支持API调用的环境（如百炼平台或本地Python脚本）中加载qwen3-base模型；
2、构造用户消息：content字段填入待处理文本，system字段设置为“你是一个专业的文本分析助手，请从以下文本中提取3个最能代表主旨的中文关键词，仅输出关键词，用顿号分隔，不加解释”；
3、发起请求并接收响应，结果形如：人工智能、大模型、关键词提取；
4、若需控制关键词数量或限定词性，可在指令中追加要求，例如“仅提取名词性词语”或“不超过5个”。
二、调用通义千问内置中心词提取服务（电商标题专用）
该服务基于海量电商标题与类目联合训练，专为短文本（通常少于25词）设计，通过计算每个词与整句的相关性分数，精准定位语义中心词。
1、访问阿里云百炼平台，进入“模型广场”，搜索“中心词提取”或“电商标题中心词”；
2、选择已部署的中心词提取模型服务，点击“API调用”；
3、在请求体中传入JSON格式数据，包含字段text（字符串类型，值为目标文本）；
4、发送请求后，返回结构中key_words字段即为排序后的中心词列表，首项为最高相关性得分的中心词。
三、结合Qwen-VL多模态模型进行图文联合关键词推导
当文本附带图像（如商品主图、报告截图），可利用Qwen-VL的跨模态对齐能力，将视觉内容语义融入关键词生成过程，提升领域适配度。
1、准备待处理文本与对应图像文件（JPG/PNG格式）；
PHP中文网提供Qwen-1.0.2.6 MacOS官方客户端下载，专为苹果电脑优化的阿里通义千问桌面应用。本版本深度适配Mac系统，支持本地高效运行与多模态交互，集成超长上下文处理、AI写作、代码生成及智能体构建等核心功能。通过官方渠道下载，确保安全稳定，助您实现智能办公与创作升级。
2、调用Qwen-VL-Instruct模型接口，输入格式为{“image”: “base64编码字符串”, “text”: “原始文本内容”}；
3、system提示词设为：“请综合图像内容与文字描述，输出3个反映图文共同焦点的关键词，仅用顿号分隔”；
4、响应中提取关键词时，模型会隐式加权图像区域显著性与文本词频，最终输出如：新能源汽车、电池续航、实拍图。
四、通过简道云+通义千问插件实现批量文本关键词抽取
适用于企业级文档管理场景，支持一次性上传数十至上百份文本文件（TXT/DOCX/PDF），由插件自动触发关键词提取并写入指定字段。
1、登录简道云后台，在「应用市场」安装并启用「通义千问」官方插件；
2、新建数据表，添加「原文本」单行文本字段与「关键词」多行文本字段；
3、配置自动化流程：当「原文本」字段更新时，触发插件动作“文本分析 >> 提取关键词”，参数设置为关键词数量=5；
4、批量导入文本后，系统为每条记录自动生成关键词，高频词将被标记为加粗绿色高亮项以供人工复核。
五、本地部署Qwen2.5-7B并注入关键词提取LoRA模块
面向有私有化部署需求的技术团队，通过轻量级LoRA适配器注入领域知识，使基础模型具备稳定可控的关键词输出能力，避免云端传输敏感文本。
1、从ModelScope下载qwen2.5-7b-instruct模型权重及配套tokenizer；
2、加载社区发布的keywords-extraction-lora-v1适配器（需匹配模型版本）；
3、启动推理服务时，在generate参数中设置max_new_tokens=32、temperature=0.1以抑制发散；
4、输入指令：“请严格按‘关键词：XXX、XXX、XXX’格式输出，不得出现其他字符”，模型将强制遵循格式，首关键词恒为语义权重最高项。
