关键词是能够代表文档的整体含义和主题的词或短语,它可以使读者快速掌握文档的主要思想。传统的抽取式关键词预测方法将源文本分解成若干词或短语后,通过对其进行排序和选择来实现自动关键词提取。这些方法忽略了文本背后的深层语义,并且无法预测未出现在源文本中的关键词。生成式关键词预测方法基于序列到序列（seq2seq）架构的神经网络模型,它可以直接从词汇表中挑选单词来生成关键词,从而可以解决上述问题,也是本文的研究目标。但是由于缺乏高层信息的指导,现有的关键词生成算法无法准确地捕捉输入文本的主题,容易生成与输入文本无关的关键词。本文从以下两个方面对现有的关键词生成算法提出了改进方法:现有的关键词生成模型主要基于欧式空间的向量运算,然而,它们捕捉层次结构的能力受到欧式空间自身性质的限制。本文提出了一种基于双曲神经网络的关键词生成模型。该模型使用双曲神经网络作为编码器与解码器,旨在将源文本的层次主题信息编码为双曲空间中的低维表示,从而更可以有效地发掘文本中的语义层次结构,用以在解码时引导关键词的生成过程。此外,本文提出了一个新的双曲注意力机制,可以使得模型在解码时选择性地关注层次语义结构中抽象层级更高的文本,以进一步提升关键词预测的准确性。编码器-解码器结构的关键词生成模型旨在学习在给定原文情况下生成目标关键词的条件概率,仅能隐式地建模原文和目标关键词的语义信息,无法捕捉关键词预测任务中复杂的语义关系。本文提出了一种基于高斯混合变分自编码器的关键词生成模型,通过引入隐变量来显式地表示原文和目标关键词之间的语义关系。并且该模型假设隐变量服从高斯混合分布,借助神经主题模型来计算混合高斯分布的参数,用于引导模型发现原文中的不同主题并针对各个主题生成特定的关键词。通过在常用的关键词预测数据集上进行的大量实验,本文证明了所提出的两种模型相较于基线模型在关键词预测准确率上具有显著提升。