近年来,在计算机技术的依托下,社交媒体在互联网的沃土上蓬勃发展,社交媒体是人们获取各项信息的重要来源。传统社交媒体内容发布需要人工花大量时间编纂、修改、审核、发布,这一系列流程耗费大量资源,并且创建的内容难于满足人们的需求。随着深度神经网络的快速发展,自动文本生成技术已经引起了广泛关注。通常,用于文本生成的常规生成对抗网络往往会出现奖励稀疏和模式崩溃问题,这些问题会影响生成样本的质量和多样性。在人们需求日益多样化的今天,如何让机器创建出具有创造性、吸引消费者注意力的社交媒体内容,是自然语言处理领域的一大挑战。为解决这些问题,本文提出一种新颖的基于注意力机制自对抗网络文本生成模型-ABSAN,解决社交媒体内容自动生成问题。本文从奖励稀疏、文本生成质量和模型收敛速度三个方面对LeakGAN模型进行优化,实验结果表明ABSAN模型提升了现有生成模型的上限。在奖励稀疏方面,LeakGAN模型和传统GAN模型一样,采用单一判别器来预测样本真假性。这是一种简单的二分类问题,没有考虑不同批次样本间关系,奖励值提供的学习信号是有限的。本文提出一种自对抗学习的训练方式,使用判别模型对成对样本进行判别,反馈文本序列奖励值。实验证明,ABSAN在合成数据集上取得了更好的NLL数值。在文本生成质量方面,LeakGAN将判别器特征提取器提取的特征向量反馈给Manager模块,指导Worker模块生成过程。考虑到文本序列在不同结构层次上的特征,本文在生成器中引入分层注意力机制指导Manager模块生成更高质量目标嵌入向量。此外,本文在判别器中引入注意力层,进一步提升判别器中特征提取器提取的特征质量。实验结果表明,在真实数据集上,ABSAN模型取得了最好的调和平均BLEU分数。在模型收敛速度方面,本文分别对Manager模块和Worker模块的LSTM网络进行批样本归一化操作,优化损失函数各处的平滑程度,改善模型梯度流。实验结果表明,在合成数据集上,ABSAN模型的收敛速度得到提升。本文通过分析生成实例,证明ABSAN模型生成的文本内容质量能满足社交媒体内容自动化生成质量要求,为实现社交媒体内容自动化生成提供了解决办法。