1.一种结合全局主题信息的摘要生成方法，其特征在于，包括以下步骤：S1，抽取原文的关键主题信息；

S2，将关键主题信息与原文表示融合；

S2‑1，将文档的关键主题信息向量G_T经线性变换为与原文编码相同维度，得到关键主题信息向量G_T'；

S2‑2，将关键主题信息向量G_T'，编码端隐藏层向量hi和解码端隐藏层向量st通过线性变换，再经tanh激活函数得到相关度权重，将相关度权重进行转置、归一化后得到注意力分布如式(12)～(13)所示：其中，Att(hi,st,G_T')表示对hi、st、G_T'进行加性注意力操作；

vTtanh(Whhi+Wsst+Wg_tG_T'+battn)表示对tanh(Whhi+Wsst+Wg_tG_T'+battn)进行转置变换；hi是原文词wi的隐藏层向量表示；wi表示第i个原文词；st为解码端隐藏层向量；G_T'为关键主题信息向量；Wh，Ws，Wg_t是可训练的参数矩阵；

battn是偏置项；soft  max(·)为归一化指数函数；

S2‑3，用注意力分布与原文各词的隐藏层向量加权求和，得到融合关键主题信息的上下文向量Ct，如式(14)所示：其中，t表示时间步；

T为总的时间步；为时间步t第i个词的注意力分布；表示时间步t第i个词的隐藏层向量；

所述S2还包括：将ct作为求解注意力分布时的额外输入，将当前时间步以前一定步长内的注意力权重考虑在内，计算当前时间步的注意力：其中，为时间步t的注意力分布；为时间步t第i个词的未归一化的注意力打分函数；

Wh，Ws，Wc，Wg_t为可训练的参数矩阵；为时间步t第i个词的覆盖向量；

battn为偏置项；S3，采用指针生成网络生成摘要：对目标摘要词序列R＝[r1,r2,...,rk]，用LSTM对其编码，计算词的隐藏层向量，其中rt表示在时间步t的摘要词，k表示总的时间步数；对任意rt∈R，其隐藏层向量编码如式(15)～(16)所示：st＝LSTM(st‑1,yt‑1,Ct)     (16)其中，ew(rt)为rt的词嵌入表示；

m为词嵌入维度；yt为在时间步t的摘要词rt的向量表示；st为时间步t的隐藏层向量；Ct表示融合了时间步t之前关键主题信息的上下文向量；对给定序列，在预设词表上，每个词w输出的条件概率P(w)如式(17)～(18)所示：Pvocab＝soft  max(V'(V[st；Ct]+b)+b')     (17)P(w)＝Pvocab(w)         (18)其中，Pvocab为预设词汇表中所有单词的概率分布；

soft  max表示归一化指数函数；

[；]表示向量拼接；

Pvocab(w)表示当前词w的概率分布；V’、V是可训练的参数矩阵；

b和b’是偏置项；

在每个解码器时间步t，指针网络用上下文向量Ct、解码端隐藏层向量st和解码端输入yt计算生成摘要词的概率pgen，计算如式(19)所示：Pgen＝σ(WctCt+Wstst+Wytyt+bptr)      (19)其中，Wct，Wst，Wyt是可训练的参数矩阵；

bptr是偏置项；

σ是sigmoid激活函数；

对于每一篇文档，pgen对词汇分布和注意力分布加权求和，得到一个扩展词表，在所述扩展词表上生成词w的概率如式(20)所示：其中，Pvocab(w)是预设词表上生成词的概率；

losst为时间步t的最终损失函数；P(wt)为生成目标词wt的概率；wt为时间步t的词；

λ为超参数；

covlosst为时间步t的覆盖损失；为时间步t第i个词的注意力分布；为时间步t第i个词的覆盖向量。

2.根据权利要求1所述的一种结合全局主题信息的摘要生成方法，其特征在于，所述S1是采用基于隐含狄利克雷分布的主题信息抽取器实现的，包括以下步骤：S1‑1，由LDA模型得到文档集D的主题概率分布，以及各主题下的词概率分布；选择概率为TOP  p的主题，在TOP  p主题下分别选取概率为TOP  q的词项，构成关键主题信息词集Top；

S1‑2，以BERT预训练模型得到关键主题信息词集Top的嵌入表示；

S1‑3，取所述关键主题信息词集Top的嵌入表示的均值向量作为文档的关键主题信息向量G_T，计算如式(9)～(10)所示：X＝fBERT(Top)       (9)

其中，X＝{x11,x12,...,x1q,...,xpq}为经BERT编码后的关键主题词向量集；

fBERT为BERT的非线性方程；p为前p个主题；q为前p个主题下的前q个主题词；Xi表示经BERT编码后的第i个关键主题词向量。