随着互联网的不断发展,互联网信息呈爆炸式增长,如何从这些海量数据中快速、准确地获得关键信息变得十分有意义。关键词作为反映文章主旨的重要方式,成为用户对海量数据进行筛选、理解的有效手段。因此,在自然语言处理和信息检索等领域,关键词抽取技术得到了广泛的应用。传统的关键词抽取算法,主要是从文本中词语的某种统计信息进行考虑,忽略了文章的主题信息,未能从语义层面对关键词进行考察。并且由于传统方法在进行关键词抽取时,往往只考虑文本的某种特性,使得关键词抽取算法的效果仍有较大的提升空间。针对上述问题,本文提出了一种用于文本理解的高效关键词抽取算法。本文工作如下：1)针对关键词抽取时文档自身信息有限的问题,基于相似度的思想,提出了一种基于句子的文本信息扩充算法,算法以句子为基本单位,从相似文本中扩充有助于关键词抽取的句子进行信息扩充,增加文档的信息。2)针对关键词抽取算法准确度相对偏低、主题覆盖度不够理想的问题,提出了一种基于文本扩充与主题模型相结合的关键词抽取算法,算法将文档进行信息扩充,并结合文档的主题分布,进行关键词抽取。实验结果表明算法可以进一步提升关键词抽取效果。3)针对分布式主题模型训练算法存在的通信量大、迭代次数多的问题,提出了一种将分布式节点按照环进行通信的分布式主题模型训练算法,算法将分布式节点按照规则组成一个环,每个节点与环上的相邻节点进行通信。实验结果表明,算法可以以较低的通信量,进一步加快分布式主题模型的训练速度。