c#做关键词提取应优先调用azure ai language的extractkeyphrases api；若需离线则用onnx runtime加载轻量预训练模型，避免手写tf-idf或regex规则。
用 C# 调用 NLP 模型做关键词提取，本质是调外部服务或轻量模型
纯 .NET 自带库（如 Microsoft.ML）不直接支持端到端的文档关键词抽取；你得要么对接 REST API（如 Azure AI Language、spaCy+FastAPI），要么集成轻量级 ONNX 模型。硬靠 Regex 或 TF-IDF 手写规则，效果差、泛化弱，别试。
实操建议：
- 优先走 Azure AI Language 的
ExtractKeyPhrasesAPI：稳定、多语言、免训练，HttpClient发个 POST 就行，返回 JSON 里直接有keyPhrases数组 - 若必须离线：用 ONNX Runtime + 预训练小模型（如
distilbert-base-uncased-finetuned-conll03-english改造成关键词抽取头），但需自己处理 tokenization 和 span 映射——Microsoft.ML.OnnxRuntime可加载，Tokenizer得额外引入HuggingFace.Tokenizers - 别碰
Microsoft.ML的TextFeaturizer+OneHotEncoding堆 TF-IDF：它输出的是向量，不是可读关键词，还得自己逆映射词表，极易错位
“自动打标签”不是分词，是语义聚类或分类任务
用户说的“标签”，往往指业务维度的归类（如“合同”“报销单”“发票”），不是技术意义上的词性标注。这和关键词提取是两回事：前者要文档级预测，后者是短语级抽取。
实操建议：
- 如果已有标注数据：用
Microsoft.ML的MultiClassLogisticRegression或SdcaMaximumEntropy训练文本分类器，输入是TextLoader读取的文档正文，输出是PredictedLabel - 没标注数据？别强行无监督聚类（如
KMeanson TF-IDF）：C# 生态缺好用的语义向量库，ML.NET的WordEmbedding已废弃，结果不可信 - 折中方案：用 Azure AI 的
ClassifyDocument（需预定义类别），或把文档喂给text-embedding-3-smallAPI，再在本地用Flann或BallTree（需 P/Invoke 或调 Python）做相似度匹配——但这就不是纯 C# 了
常见错误：把 string.Split() 或停用词过滤当 NLP
看到“提取关键词”就写个 Split(' ', '.', '！') + 去停用词 + 统计频次，结果满屏“的”“是”“我”，还配个 OrderByDescending ——这不是 NLP，这是字符串练习。
典型翻车点：
-
StopWords表用中文就抄英文列表，导致“的”“了”“在”全放过 - 没做词形还原（如“running”“ran”“runs”算三个词），英文文档频次统计失真
- 直接对 PDF 提取的原始文本跑分析，没清理页眉页脚、OCR 错字（如“1”当“I”，“O”当“0”），关键词变成“合I同”“报N销”
- 用
File.ReadAllText读大文件进内存再处理，几百 MB 文档直接 OOM，得用StreamReader分块或流式解析
性能与兼容性：别低估文本预处理开销
NLP 瓶颈从来不在模型推理，而在文本清洗和编码。C# 默认 UTF-8，但很多老文档是 GB2312 或 ANSI，File.ReadAllText(path) 不指定 Encoding 会乱码，关键词全歪。
关键控制点：
- PDF 解析不用
iTextSharp（已停更、.NET 6+ 兼容差），换QuestPDF或SkiaSharp提取文本，或调系统pdftotext命令行（需部署依赖） - 长文档别一次性送整个
string给 API：Azure 限制单请求 5120 字符，得切段（按句号/换行）、去重、合并结果，注意跨段关键词断裂（如“人工智能”被切成“人工”“智能”） - 并发调 API 时，
HttpClient必须复用实例，别每个请求 new 一个——否则快速触发SocketException: Too many open files
真正卡住人的，永远是编码识别不准、PDF 文本结构错乱、API 限流策略不透明，而不是模型本身。先确保输入干净，再谈“智能”。
