El crecimiento exponencial de la información textual en las redes sociales presenta un problema desafiante en términos de recuperar información valiosa de manera eficiente. Utilizando modelos de aprendizaje profundo, podemos generar automáticamente palabras clave que expresen el contenido y los temas centrales del texto en redes sociales, facilitando así la recuperación de información crítica. Sin embargo, el rendimiento de los modelos de aprendizaje profundo está limitado por los datos de texto etiquetados en el dominio de las redes sociales. Para abordar este problema, este artículo presenta un método de generación de palabras clave jerárquico para textos de redes sociales con pocos recursos. Específicamente, el segmento de texto se introduce como una unidad jerárquica del texto en redes sociales para construir una estructura de modelo jerárquica y diseñar una tarea de recuperación de segmentos de texto para el entrenamiento auto-supervisado del modelo, lo que no solo mejora la capacidad del modelo para extraer características del texto en redes sociales, sino que también reduce la dependencia del modelo de generación de palabras clave en los datos etiquetados en el dominio de las redes sociales. Los resultados experimentales de conjuntos de datos de redes sociales disponibles públicamente demuestran que el método propuesto puede mejorar efectivamente el rendimiento de generación de palabras clave incluso con datos etiquetados limitados en redes sociales. Además, las discusiones adicionales demuestran que la etapa de entrenamiento auto-supervisado basada en la tarea de recuperación de segmentos de texto beneficia al modelo en su adaptación al dominio del texto en redes sociales.