在学术领域中常常需要通过关键字对论文进行分析,关键字提供了高度概括性的论文信息,是对论文进行信息检索、自动分类、自动聚类和观点挖掘的基础。随着网络信息量的迅速增加,手工标识关键字费时费力且主观性强,因此论文关键字自动生成成为了研究热点。传统的关键字自动生成算法主要通过统计数据进行关键字生成,没有考虑到文本中的语义信息。随着深度学习和自然语言处理学科的快速发展,现今的关键字生成算法能够利用序列到序列框架和注意力机制来理解文本,从而进行关键字自动生成。由于近年来转换器（Transformer）在自然语言处理领域中取得了优异表现,与注意力相关的机制也得到了快速发展,这使得关键字自动生成算法在精确度和多样性方面有了可以进一步提高的空间。本研究将基于Transformer的序列到序列框架、拷贝机制和覆盖机制进行了结合,设计了关键字自动生成系统。本研究分为以下三步:首先,关键字集合被预处理为不同的关键字序列,并作为解码器的输入进行训练。其次,系统修改了原始Transformer的结构,应用拷贝机制和覆盖机制来减轻关键字不在预测词表的问题和关键字生成多样性问题。最后,系统通过束搜索对目标关键字进行搜索,平衡了关键字的生成时间和质量。本研究主要贡献如下:首先,系统能够对文本语义进行理解并预测出在原文中未出现的关键字。其次,系统使用了关键字自动生成任务中常用的五个数据集,并在关键字自动生成的能力方面超过了Copy RNN模型。最后,系统从关键字顺序和框架等不同方面对基于Transformer的关键字生成模型进行研究,并对实验结果进行了说明和分析。