1.基于预训练模型和自动感受野的关键词抽取方法，其特征在于，具体步骤如下：步骤1、利用预设标记对未加工文本原生文本进行整理并限制其长度，得到文档序列；

对文档序列进行词元化，随后构建停用词集合和相应的遮罩矩阵；

步骤2、通过重解释BERT预训练模型构建感受野生成网络，将词元化后的文档序列作为输入，生成感受野矩阵；

步骤3、通过重解释BERT预训练模型构建句向量生成网络，将词元化后的文档序列作为输入，生成网络生成句向量；

步骤4、利用句向量和感受野矩阵生成词排序矩阵，通过词排序矩阵和句向量，经过注意力评分层，得到候选词分数矩阵；

步骤5、获取候选词分数矩阵，对候选词分数矩阵进行压缩；

将压缩后的候选词分数矩阵，规整为分数序列，并根据分数序列提取压缩后的位置信息组成长度序列；

步骤6、分数序列和长度序列长度相等，其中元素一一对应，产生元素对；

获取预设关键词抽取数量m，选取元素对中对应分数序列的分数元素最大的前m个的元素对；

利用元素对对应词元作为短语开头，元素对中长度序列元素作为短语长度，获取元素对表征的短语，即为关键词抽取的结果；

步骤7、感受野生成网络、句向量生成网络与注意力评分层构成关键词抽取模型，接受分数序列和长度序列，对关键词抽取模型进行反向传播训练，训练得到可靠的关键词抽取模型。

2.根据权利要求1所述的基于预训练模型和自动感受野的关键词抽取方法，其特征在于，在步骤1中，所述预设标记如下：[CLS]：放在所有文本之前；

[SEP]：用于分开两个句子，句子末尾使用[SEP]标注；

[PAD]：用于整齐化句子的长度，以便后续并行计算。

3.根据权利要求1所述的一种基于预训练模型和自动感受野的关键词抽取方法，其特征在于，在步骤2中，所述感受野矩阵，其中每项元素为一个向量，表示自动生成的滤波器，每条滤波器对应一个词元开头指定长度的短语。

4.根据权利要求3所述的基于预训练模型和自动感受野的关键词抽取方法，其特征在于，步骤2具体过程如下：

2‑1：将词元化后的文档序列D′和遮罩矩阵MT作为输入，在BERT预训练模型输出中，依次从后往前取数目为span的隐藏层的输出结果进行组合拼接，将拼接而成的矩阵重解释为原始感受野矩阵；

将原始感受野矩阵通过一层线程层，进行维度下降，再将结果与MT相乘进行遮罩操作，得到矩阵Mfilter：Mfilter＝LinearLayer(BERT(D′))*MT其中，LinearLayer表示线性层，BERT表示BERT模型；

2‑2：构建模具矩阵Mmoudule，构成方式下：

Mmoudule＝[mijk＝((k＜i)OR(k>i+j))？0：1]其中，OR表示或操作，mijk表示三维矩阵Mmoudule中的第i块第j行第k列的元素，三元表达式表示当“(k＜i)OR(k>i+j)”的条件满足时，mijk赋值为0，不满足所述“(k＜i)OR(k>i+j)”的条件时，mijk赋值为1；

将模具矩阵与矩阵Mfilter相乘，经过SoftMax层，感受野生成网络输出矩阵M′filter：M′filter＝softmax(Mmoudule*Mfilter)矩阵M′filter为感受野矩阵。

5.根据权利要求1所述的基于预训练模型和自动感受野的关键词抽取方法，其特征在于，步骤4具体过程如下：

4‑1：将归一化后的感受野矩阵M′filter和句向量X进行叉乘操作获取词排序矩阵Mword：Mword＝M′filter×X

4‑2：构建注意力评分层，分别将词排序矩阵Mword和句向量X通过线性层，获取两个不同的矩阵：Mq，Mk；

随后对两个矩阵Mq，Mk进行多头注意力拆分，利用两个多头注意力拆分后的矩阵Mq，Mk进行关注计算，获取候选词分数矩阵Mscore：其中，Dtensor是多头注意力拆分后的维度，concat是向量拼接操作。

6.根据权利要求1所述的基于预训练模型和自动感受野的关键词抽取方法，其特征在于，在步骤7所述反向传播训练中，具体包括：构建新的序列对比范式，评估抽取结果是否齐全，并比较抽取结果的准确性；将参考序列和预测序列规整为统一可比较的结构，规整的序列作为新的序列对比范式中对比对象，调用损失函数对两个序列进行差异计算进行反向传播训练。

7.根据权利要求6所述的基于预训练模型和自动感受野的关键词抽取方法，其特征在于，步骤7具体过程如下：

7‑1：获取训练集提供的参考序列Prefence＝[a1，a2，...，aN]，其中ai表示参考序列中第i个关键词参考答案，利用其中所有元素的长度构建答案序列Answer，同时针对ai设计预测序列 其中 表示ai开头的短语在长度序列Length对应的长度；

7‑2：根据分数序列Score中所有元素的序号构成集合C＝{c|sc>0，sc∈Score}，其中sc表示下标为c的分数序列中的元素，假设集合C的元素总数量为M，利用C中所有元素索引分数序列Score中成员，构建长度为M的序列S′接在预测序列Predict之后，得到新的预测序列Predict′：其中，c1，c2，...，cM均表示集合C中的元素，M表示集合C中元素总数量；

针对所有S′中的元素，调用函数：

构成同样长度为M的序列，接在Answer之后，得到新的序列Answer′，如下所示：Predict′和Answer′分别作为预测表示和答案表示，两者进行损失计算的方法构成新的序列对比范式进行反向传播训练。

8.基于预训练模型和自动感受野的关键词抽取系统，其特征在于，包括：原生文本预处理模块、感受野生成网络模块、句向量生成网络模块、注意力评分模块、关键词抽取模块和训练模块；

原生文本预处理模块：对输入的原生文本进行处理，得到文档序列，并对其进行词元化处理，以及构造停用词集合和相应的遮罩矩阵；

感受野生成网络模块：将词元化后的文档序列作为输入，生成感受野矩阵；

句向量生成网络模块：将词元化后的文档序列作为输入，生成句向量；

注意力评分层模块：将感受野矩阵和句向量作为输入，通过注意力计算，生成候选词分数矩阵；

序列压缩模块：将候选词分数矩阵作为输入，生成分数序列和长度序列；

关键词抽取模块：规定抽取的关键词数量，将分数序列和长度序列作为输入，由分数序列和长度序列构成元素对，通过对元素对进行分数排序完成对关键词的抽取工作；

训练模块：设置所述系统是否开启训练模式和训练参数，训练模式情况下，将分数序列和长度序列作为输入，利用序列对比范式，生成新的答案序列和新的预测序列，两者计算交叉熵进行反向传播。

9.根据权利要求8所述的基于预训练模型和自动感受野的关键词抽取系统，其特征在于，所述关键词抽取模块：还支持修改排序算法，根据用户需求针对性抽取关键词。