近些年来,随着科技的发展和机器计算能力的提升,神经网络和深度学习技术在自然语言处理领域中得到广泛的应用。在自然语言处理领域里,文本自动生成是一个重要且具有挑战性的研究方向。本文旨在根据给定的主题词生成一段可读性强的、主题相关性大的文本,此任务有以下三个难点:第一,输入信息不足。本文中的主题短文生成任务属于文本到文本的生成,在文本摘要和机器翻译这些任务中,原文本的输入提供了足够的语义信息以生成所需的目标文本。但是,主题短文生成任务旨在仅基于多个给定主题词生成段落级文本,输入的仅仅是几个主题词,不能提供足够的源信息。无论是从新颖性还是与主题完整性和主题相关的角度来看,输入信息极度不足都可能导致生成的文本质量低下。第二,生成文本主题完整性和主题相关性不足。前者强调所生成的文章应包含所有输入主题词的这些语义,而后者意味着每个所生成的句子应紧密围绕一个或多个主题。第三,长期依赖问题。在文本生成模型中,长期依赖是指模型在t时刻生成的词语,可能会受很长时间之前模型的状态影响。传统的文本生成模型大部分都是基于RNN,而RNN在处理长文本信息时,如果两个词在长文本中隔得很远,会出现梯度消失问题,导致前面的词对后面的词没有任何影响,无法处理长期依赖问题。针对输入信息不足问题,本文通过引入外部知识库,来提供与主题词相关的外部知识增加输入信息,解决因输入信息不足导致的生成文本质量差的问题。针对生成文本主题完整性和主题相关性不足的问题,本文提出一个主题词权重向量,这个向量可以动态变化,主题词一旦出现过会降低其对应的权重,避免重复出现单一的主题词,再结合Attention机制一定程度上保证了主题词的完整性和主题词的相关性。对于RNN中无法解决的长期依赖问题,本文抛弃了 RNN结构,借鉴RNN权重共享的思想和 transformer 模型提出了 RTN（Recurrent Transformer Network）模型。由于RTN参数相对Transformer少,在解决RNN长期记忆失效的问题的同时,也提高了训练效率。本文基于两个公开的数据集ESSAY,ZhiHu来训练模型,通过BLEU-2评分和人工评估两个方法的评估结果证实本文的模型在多主题词文本生成这个任务上生成的文本质量更好。