随着互联网技术的飞速发展以及社交媒体的不断普及,新闻、舆论、热点等各种各样的信息呈井喷式发展,飞速发展带来了信息过载的问题,并且随着生产生活节奏的加快,人们没有足够的时间来阅读所有搜索到的信息。高质量的文章摘要是提升信息获取效率的有效手段。随着深度学习的兴起和计算机硬件水平的提升,越来越多的学者利用深度学习进行自动文章摘要生成。本文对传统中文分词算法提出优化改进并提出基于双层注意力机制的中文摘要算法,最后将改进后的中文分词算法应用于中文摘要算法中。传统中文分词算法无法高效地提取局部特征,且无法进行并行计算。针对以上两点本文提出了一种基于简单CNN与BI-LSTM相结合的中文分词算法,既解决了CNN无法提取时序特征的问题,也解决了BI-LSTM无法提取局部特征以及无法进行并行计算的问题,同时利用权重共享的全连接操作保证了依据上下文信息获取分类结果,实现了一输入对多输出的目的。实验结果表明,该算法具有可行性且模型输出结果的准确率可达98%。传统Seq2Seq摘要生成模型大多采用LSTM网络和单层注意力机制实现,由此会导致模型计算缓慢且注意力矩阵中包含信息不足。针对以上问题,本文在以下几方面进行了改进:(1)在构建输入矩阵时,使用改进后的中文分词算法提升分词的准确率,以此提升生成词向量的准确性;(2)在特征提取时,利用偶数卷积核减少参数数量,在不降低模型准确率的前提下提升了模型训练的速度;(3)对注意力机制进行改进,建立双层注意力机制,通过产生两个不同的注意力矩阵分别获取全局信息和局部信息,并将两个注意力矩阵融合得到最终注意力矩阵,利用第二层注意力矩阵强化目标词语周围临近词语的权重,从而提升文章摘要的准确率。将改进后的中文分词算法应用于双层注意力机制的中文摘要算法,在LCSTS数据集上进行实验验证,采用Rouge测评方法对文章摘要进行测评。本文提出的基于双层注意力机制的文章摘要模型的Rouge-1、Rouge-2以及Rouge-L得分可达到37.8、25.3以及34.9,验证了模型的可行性与准确性。