说说关键词
空间最上边 “装扮” 选项后边的搜索框，输入关键字搜索，能搜索各种，日志，说说等都可以。
1、开通方法：开启QQ客户端（请下载QQ2005Beta2及以上版本，在QQ好友面板中双击用户自己的头像，在弹出的页面中点“击立即开通“，就可以开通了。在QQ空间里，用户可以修改个人信息、发表网络日志、建立相册等。
2、访问QQ空间首页，用QQ号码登陆后，在首页左上角会显示用户的登录信息。点击登录信息中点击“进入我Qzone”，然后在开通页面中点击“立即开通Qzone”后进入到用户自己的QQ空间页面，在这里，用户可以修改个人信息、发表日志、建立相册结交空间好友、加入club 认识与用户志趣相投的人。
本回答被网友采纳空间最上边 “装扮” 选项后边的搜索框，输入关键字搜索，能搜索各种，日志，说说等都可以。 如下图： 先输入任何一个字，然后点更多，就可以搜说说里面的东西了。 本回答被网友采纳
1.TF-IDF和关键词提取
作为提取关键词的最基本、最简单易懂的方法，首先介绍下TF-IDF。
判断一个词在一篇文章中是否重要，一个容易想到的衡量指标就是词频，重要的词往往会在文章中多次出现。但另一方面，不是出现次数多的词就一定重要，因为有些词在各种文章中都频繁出现，那它的重要性肯定不如那些只在某篇文章中频繁出现的词重要性强。从统计学的角度，就是给予那些不常见的词以较大的权重，而减少常见词的权重。IDF（逆文档频率）就是这个权重，TF则指的是词频。
TF=（词语在文章中出现次数）/ （文章总词数）
IDF=log (语料库文档总数/(包含该词的文档数+1))
TF - IDF = TF * IDF
摘取一个博客中的一个例子[1]
“中国”在文章中的频率并不比“蜜蜂“和”养殖“低，但因其在各种文章中都会频繁出现，因此其逆文档频率较低，不会被识别成本文的关键词。
TF-IDF虽然非常简单，但却很经典有效，而且速度很快，有的场景中会提升第一段和最后一段的文本权重，因为文章的关键词往往会在开头和结尾段频繁出现。但TF-IDF只是仅从词频角度挖掘信息，并不能体现文本的深层语义信息。
2.topic-model和关键词提取
如果说TF-IDF只能从词频角度挖掘信息，那么如何挖掘更深层次的信息呢？这就是topic-model想要完成的任务。
举个例子，以下四个句子：
1.I ate a banana and spinach smoothie for breakfast
2.I like to eat broccoli and bananas.
3.Chinchillas and kittens are cute.
4.My sister adopted a kitten yesterday.
仅从词语角度分析，1.2句banana是重复出现的，3.4句kitten是重复出现的。但其实可以发现1.2句主要跟食物有关，3.4句主要跟动物有关，而food、animal两个词在四句话里均未出现，有没有可能判断出四句话中所包含的两个主题呢？或者当两篇文章共有的高频词很少，如一篇讲banana，一篇讲orange，是否可以判断两篇文章都包含food这个主题呢？如何生成主题、如何分析文章的主题，这就是topic-model所研究的内容。对文本进行LSA（隐形语义分析）。
在直接对词频进行分析的研究中，可以认为通过词语来描述文章，即一层的传递关系。
而topic-model则认为文章是由主题组成，文章中的词，是以一定概率从主题中选取的。不同的主题下，词语出现的概率分布是不同的。比如”鱼雷“一词，在”军事“主题下出现的概率远大于在”食品”主题下出现的概率。即topic-model认为文档和词语之间还有一层关系。
首先假设每篇文章只有一个主题z，则对于文章中的词w，是根据在z主题下的概率分布p(w|z)生成的。则在已经选定主题的前提下，整篇文档产生的概率是
而这种对每篇文章只有一个主题的假设显然是不合理的，事实上每篇文章可能有多个主题，即主题的选择也是服从某概率分布p(t)的因此根据LDA模型，所有变量的联合分布为
表示topic下词的分布，表示文档下topic的分布。是第m个文档的单词总数。和表示词语和topic的概率分布先验参数。而学习LDA的过程，就是通过观察到的文档集合，学习的过程。学习过程参见论文[2]。
下图为一个LDA学习结果的例子
取自[3]
可以看出，topic-model的目的就是从文本中发现隐含的语义维度，在词语和文档之间加入更概括的信息。
3.textrank关键词提取
textrank的则从图模型的角度找文章的关键词，好处在于不用事先基于大量数据进行训练。
其基本思想来自于pagerank算法，pagerank的两条基本思想是，如果一个网页被很多其他网页链接到，说明这个网页比较重要；如果一个网页被一个权值很高的网页链接到，则其重要性也会相应增加。
判断两个网页之间是否有边相连，根据网页中出现的链接，而在textrank中判断两个词间是否存在相关关系，则根据词语的共现关系。实际处理时，取一定长度的窗，在窗内的共现关系则视为有效。
修改的textrank算法
4.rake关键词提取
rake算法提取的并不是单一的单词，而是由单词组成的短语。短语的分割由标点符号
每个短语的得分由组成短语的词累加得到，而词的得分与词的度与词频有关
当与一个词共现的词语越多，该词的度就越大。
算法本身很简单也很好理解，也有可直接供使用的python代码：
GitHub - aneesha/RAKE: A python implementation of the Rapid Automatic Keyword Extraction
参考文献
[1] TF-IDF与余弦相似性的应用（一）：自动提取关键词
[2] Blei D M, Ng A Y, Jordan M I. Latent dirichlet allocation[J]. Journal of machine Learning research, 2003, 3(Jan): 993-1022.
[3] Blei D M. Probabilistic topic models[J]. Communications of the ACM, 2012, 55(4): 77-84.
[4] Rose S, Engel D, Cramer N, et al. Automatic keyword extraction from individual documents[J]. Text Mining, 2010: 1-20.
对于这种回答我只能说MDZZ
当然了，关键词就是你要把关键词写成一般客户会搜索的，要是标题的话你可以些三四个，关键词可以写很多的。你要把网站做做SEO优化的。具体我也不是很懂，没学完呢，呵呵。。。