关键词提取任务是一项基础的自然语言处理任务,其目的在于从文本中提取出具有代表性的关键词或短语。本文发现并讨论了当前序列生成模型存在的两个问题:传统的序列编码模型难以学习到文本全局的信息以及当前模型未能很好地学习标题的重要信息。前者讨论全局信息,这一信息在许多无监督方法中扮演着重要的作用,基于统计的方法正是利用全局词汇共现关系来得到文本关键词。而当前的序列生成模型仅仅是依赖文本上下文信息,抛弃了文本的全局信息。此外,标题信息包含了重要的主题信息,而当前的文本输入方式将标题与文本拼接输入,大大削弱了标题在关键词提取任务中的重要性。为了解决上文提出的两个问题,本文提出一些解决方案来提高关键词提取任务的性能。本文主要贡献包括以下几点:（1）提出了融合图卷积网络的序列生成模型。通过融合图卷积网络和全局语料词汇共现关系,提高模型对序列中全局信息的捕捉能力,弥补传统RNN或LSTM对全局信息学习能力的不足。（2）结合注意力机制,提出融合图注意力网络的序列生成模型。考虑到文本中词与词之间存在着不同的重要性,因此在图卷积网络的基础上,引入多头注意力机制,为不同的相邻节点分配相应的权重,关注权重更大节点的信息,同时忽略作用较小的节点信息,减少信息干扰。（3）利用双向注意力流来实现标题与文本信息的相互学习。标题包含概括性的主题信息,但是当前标题与文本拼接输入的学习方式忽略了标题的重要性,因此在序列编码层使用双向注意力流模块来加强标题信息对文本的重要性,同时实现双向的信息补充。最后,本文在五个数据集上进行了对比实验,以验证本文所提出方法的有效性。实验结果表明,融合双向注意力流的关键词提取模型能够学习到标题中的重要信息,提高了关键词提取任务的准确性。在当前模型的基础上,融合图神经网络,能够更好地捕捉到文本的全局信息,提高关键词抽取的性能,在多个数据集上都取得了最优的结果。