关键词通常是一段简短的和总结性的内容,能够描述较长文本中的主题信息。高质量的关键词能够为用户提供高度浓缩和有价值的信息。对法律问题做关键词抽取有助于法律信息检索,法律问答系统和法律信息分类,从而提高公民的法律素养和推进法治国家的建设。法律问题句子大都比较简短,本文主要研究短文本的法律问题关键词抽取。大多数已经存在的关键词抽取算法通常使用两个步骤来抽取长文本的关键词:第一步是将待抽取关键词的内容分为多个文本块,这些文本块作为候选关键词;第二步是对候选关键词按照对文本内容的重要性来进行排序。这些算法都需要大量文本特征和统计特征,在短文本的法律问题句子中,这些特征很难被提取,因此在抽取法律问题(短文本)的关键词任务上效果不佳。本文提出了一种基于强化学习的序列到序列(seq2seq)模型来从短文本的法律问题中抽取关键词,主要开展以下工作:(1)为了解决传统的关键词抽取算法不能够提取那些没有原文本出现过的关键词,受到序列到序列模型在机器翻译上取得很好效果的启发,把关键词抽取任务看作一个生成任务而并非简单的抽取任务,利用序列到序列模型来生成关键词。把序列到序列模型应用到中文法律领域的关键词抽取任务上,首先介绍了循环神经网络的原理以及序列到序列模型的编码器和解码器结构。然后结合中文法律问题文本的特点,在序列到序列模型中引入注意力机制和复制机制来进一步提高模型的性能。最后做了对比实验证明在法律问题关键词抽取上,序列到序列模型能够取得更好的结果。(2)序列到序列模型生成的关键词用传统的交叉熵算法训练,当提取的关键词集以轻微不同的连续顺序出现时,会被认为是错误的关键词。为了解决这个问题,本文提出用强化学习来训练所提出的模型。首先介绍了强化学习的基本原理。然后提出了一种奖励函数来对所生成关键词集做奖励和惩罚,解决模型生成重复关键词和忽略关键词集的顺序。最后和基于交叉熵的序列到序列模型与带有复制机制的序列到序列模型做了对比试验,证明用强化学习训练序列到序列模型能够取得更好的试验效果。