自动文本摘要(Automatic Text Summarization,又称自动文摘)是一种信息抽取技术,它要解决的问题是如何从海量的数据中快速的抽取重要信息。随着数字媒介普及,自动文摘被需求的场景越来越多,包括自动报告生成、新闻标题生成、新闻摘要生成、搜索结果预览、论文摘要生成等等领域。自动文摘要技术可划分为抽取式摘要和生成式。抽取式摘要主要使用规则、统计、图排序等方法,从原文中抽取文档的重要句子作为该文本的摘要,这些方法实现起来方便快捷,但抽取的摘要也有连贯性差、信息冗余等缺点。生成式摘要主要使用深度学习的相关方法,通过对原文档进行理解和抽象,生成概括性的摘要序列。本课题基于深度学习技术,分别研究了抽取式和生成式的自动文本摘要问题。对于抽取式摘要,本课题主要对经典Textrank算法提出了两处改进:第一、使用神经网络语言模型对词向量的训练和表征。第二、提出了相邻句子存在语义逻辑的思想,并将句子间的语义逻辑融入到了句子相似度计算中。实验结果显示,上述两处改进措施有效的提升模型的效果。对于生成式摘要,本课题主要使用深度学习的方法和框架来构建自动文摘系统,研究思路如下:首先,在模型中使用了 Encoder-Decoder框架,Encode端将输入序列编码成中间语义向量C,并将C传给Decode端,Decode端通过对中间语义向量C的学习继生成该文档的摘要序列。其次,对输入的设计上,考虑将输入序列丰富的文本特征和输入序列的词向量融合在一起作为整个模型的输入。第三,在模型中了使用注意力(Attention)机制,主要考虑了两个层级的注意力,分别是词级别和句子级别的注意力。实验结果显示,上述设计有利于增加输入序列的信息量,使得模型在生成目标序列时能够捕获输入文本序列中的重要信息,有效提升了模型的性能。