研究者在撰写科技文献时,需要撰写相关工作章节,通过和已有研究的对比来彰显自身研究的创新和价值。撰写相关工作章节需要作者阅读大量的相关文献,并对相关文献中和自身工作相关的部分进行分析概括和凝炼,这需要耗费作者大量的时间和精力,因此本文对相关工作章节自动生成技术展开研究,旨在为研究者在生成相关工作章节时提供参考和帮助。针对相关工作生成中的文档内容相关性建模问题,本文首先利用话题模型对需要生成相关工作的目标文献和它的参考文献集之间的相关性进行建模,提出了话题模型Query Topic Sum来描述目标文献和参考文献的生成过程,将目标文献的生成过程建模为从背景词汇分布ΦB和文档特定词汇分布ΦD中采样得到;将参考文献的生成过程建模为从背景词汇分布ΦB、文档特定词汇分布ΦD以及与目标文献相关的词汇分布ΦT中采样得到,本文利用ΦT来实现目标文献和参考文献的相关性度量。本文针对科技文献摘要中文献长度过长、内容选择困难的问题,引入了外部的引文信息用于相关工作生成。本文为每篇参考文献提供了3至20条引文,从参考文献中找到和引文最相符的文本片段,也叫作被引片段,将被引片段看作是经过学术界标注的参考文献中的重要语句。本文提出了基于两层集成模型的被引片段自动识别技术在CL-Sci Summ数据集上取得了最佳性能,应用被引片段识别技术,本文为每篇参考文献找出了最相符的被引片段。本文构建了相关工作生成的大规模评测数据集NudtRwG,并提出了结合话题模型和引文信息的统一的相关工作生成模型ToC-RWG。ToC-RWG利用Query Topic Sum得到的参考文献与目标文献相关的话题分布φT作为目标分布,以被引片段作为候选语句,利用KL散度作为指标去优化摘要的一元组分布和ΦT的距离来生成相关工作。最终,经过后处理步骤的文本作为生成的相关工作。实验表明,本文基于话题模型和引文信息的相关工作生成模型ToC-RWG在基准模型的基础上实现了显著的性能提升,证明了本文模型的有效性。