关键词特指的是某些媒体应用在制作或者使用索引时所用到的一组词汇。随着互联网的高速发展,网络上的信息开始不断的增加,网络的使用也开始兴起,有效地搜索和管理信息变得越来越重要。关键词作为文档的简要概述,提供了一种能够帮助组织和检索文档的解决方案,可以有效地用于理解,组织和检索文本内容,这些文档已经广泛用于数字图书馆和信息检索。本课题主要用深度学习来研究关键词提取与生成问题。一方面,关键词提取与生成时会存在关键词缺失与冗余的情况,关键词缺失即模型无法生成词汇表之外的单词,关键词冗余即生成的多个关键词中会有某几个关键词关注概括到文本中的相同层面。另一方面,以往关键词提取与生成的深度学习模型中,使用的注意力机制考虑的都是目标关键词与源文本经过编码器之后的隐藏层表示之间的关系,而没有考虑到目标侧与源文本中每个独立单词之间的关联关系,这也是本课题需要解决的一个重要问题。根据上述问题,本课题提出了多种深度学习模型用于关键词的提取与生成。首先,本课题提出了一种序列到序列(编码器-解码器)模型来生成关键词。该模型结合了注意力机制计算目标侧与隐藏层之间的权重关系。此外,针对上面提到的关键词缺失与关键词冗余的问题,模型还分别结合了复制机制与覆盖机制。并且本课题提出了一种新型的字注意力机制,该字注意力机制解决了传统注意力机制关注的只是隐藏层表示(子序列级别信息)的问题。通过对原始文本进行关注,计算原始文本表示中单个独立单词与目标关键词之间的关系,得出新的注意力向量与单词级别信息。模型在多个真实的数据集上进行了实验,证实了模型的有效性与可靠性。其次,本课题使用多种方式结合单词级别信息与子序列级别信息。采用了两种不同的方式来将传统注意力机制与本课题提出的字注意力机制进行结合,从而更高效的提取与生成目标关键词。模型同样在多个真实的数据集上进行了实验,并且实验结果表明本课题的模型较目前最好基线模型都有相对的提升。最后,本课题提出的模型被使用于实验室开发的北京邮电大学自适应个性化教育平台中。该平台目前已经包含许多功能,例如专项学习与个性化推荐、试卷测试、全资源检索、评论与回复等,并且该平台已经向学校学生开放试用了一段时间。本课题将模型与系统中的题目与评论等基础数据信息进行结合,提取出各个信息的关键词,方便用户更直观的检索与查询所需信息,有效证明了本课题研究的算法模型的实际应用价值。本课题提出的模型在多个公开数据集上进行了验证,结果表明模型的性能达到了目前最好,并且撰写的两篇论文也分别在国际会议中发表与收录。