文本标题能够让用户在当今海量的互联网资源中快速获取有效信息,假使每条新闻都能够拥有一条简洁明了的标题,那将会大大节约读者的时间成本,提升阅读体验。有监督的统计机器学习方法被广泛应用于标题生成,但由于其对文本特征的质量依赖度太高,导致生成的标题往往缺乏准确性、连贯性,且算力与性能难以满足大数据时代的海量文本需求。而近年来迅速发展的深度学习技术,为解决上述问题提供了一种可能。本文实验数据采用短文本语料LCSTS以及长文本语料TTNews,并使用ROUGE评价指标对模型结果进行评估,以基于Attention的双向LSTM的模型作为基线,针对其存在的解码端与编码端联系不紧密且关注度不足的问题,提出以下改进方式。为了提高源文本和生成标题的强相关性,提出增加语义相似度的增强语义网络ESN(Enhanced Semantic Network)。模型通过计算编码端和解码端最后隐层状态的相似度,将该相似度作为额外损失项引入损失函数,用于最大化源文本与标题的语义关系。在LCSTS文本上实验结果表明,ESN模型与基线模型相比,收敛速度更快,实例化结果表明其更容易获取中心词。针对基线模型中的未登录词问题,提出融入解码端注意力的混合指针网络。通过融合解码端与源文本两部分语境向量,使模型有能力从附加词表及源文本两部分中选择生成的标题词。在两种语料上实验结果表明该混合指针网络可以有效解决未登录词问题,且明显提升了ROUGE指标。对于过度关注引发的重复问题,融入多注意力覆盖机制。通过回顾过去所有时间步编码端和解码端的注意力分布情况,共同影响当前时间步解码端注意力,并在训练过程中引入惩罚因子来增强全局把控能力,达到抑制重复片段的目的,实例化结果证明该机制进一步改善了文本质量。最后,为了防止生成标题存在的累计错误传播,采用混合学习方法,将评测指标ROUGE作为模型迭代的一环,设置全局奖励,允许ROUGE采用最大化离散梯度来优化学习结果。在LCSTS语料实例化结果表明标题在灵活性方面有明显提升。图40幅;表14个;参54篇。