随着在线网络平台的不断普及,网络购物、网络教育、数字娱乐等平台产生的文本数据呈现出惊人的增长,用户每天可以浏览到大量的文本。然而,过多的数据必然带来信息过载的问题。此外,用户在阅读冗长的文本时不仅会感到乏味,还很难获取到有价值的信息。遗憾的是,从大量的文本中选择和吸收所需的信息是具有挑战性的。文本标题自动生成方法是指为给定文本生成一个长度仅有一句的文本标题。鉴于文本标题不仅可以引导用户选择感兴趣的信息,还可以为用户提供基本的文本信息,节省用户浏览文本的时间。因此,研究人员试图通过生成高质量的文本标题来挖掘出源文本的关键信息,从而有效地解决信息过载问题。近年来,随着人工智能技术的飞速发展,越来越多的研究人员通过构建神经网络模型来自动生成文本标题。然而,基于流行的编码器-解码器框架所构建的标题生成模型仅在处理特征较少的短文本时更有效,在为长文本生成标题时的表现较差。此外,以往关于文本标题生成技术的研究主要集中在通过源文本的词频、词性等语法特征来抓住源文本的主要信息,而忽略了基本的诸如眼动数据等用户认知数据,导致生成的文本标题质量较差。为了解决这些问题并生成高质量的文本标题,本文探究了用户在源文本中不同部分的停留时间对生成标题的影响,并基于单词的阅读时间与其重要程度之间的相关性构造出一种眼动注意力机制。在此基础上,我们提出了一种有效的基于神经网络的文本标题生成模型。此外,我们还将所提出的模型与经典的文本标题生成模型进行了对比实验。实验结果表明,我们提出的模型性能明显优于经典的标题生成模型。本文的主要贡献如下:·本文建立了一种眼动注意力机制来捕捉源文本中的重要信息。首先,我们基于三个眼动数据集构建了阅读时间预测模型从而获得了文本单词与其对应阅读时间的映射关系。然后,根据不同单词的阅读时间计算单词的眼动注意力权重,权重较高的单词获得更多的注意。最后,眼动注意力机制识别出源文本中含有关键信息的重要部分。·本文提出了一种基于眼动注意力机制的文本标题生成模型。首先,为了能够准确识别出源文本的关键信息,我们构造了基于门控递归单元的双向编码器来生成上下文语义向量。其次,该模型将眼动注意力权重与上下文语义向量相结合。最后,将其输入到我们的注意力解码器中,生成一个完整的文本标题。·本文设计实验分析了基于不同神经元和单词嵌入方法的阅读时间预测模型的性能。此外,我们还建立对比实验来验证我们所提出模型的有效性。最后,实验结果验证了我们提出的模型能够生成质量更高的文本标题。