技术是指利用计算机从文章中提取一句话（或一段话）,以概括原文意思,有效地提炼原文有用信息的技术。该技术可以帮助人们在当下的信息爆炸时代更好地从互联网获取有效信息,提高工作效率。与传统的抽取式自动文本摘要技术不同,生成式自动文本摘要技术更接近人的思想,更具有研究价值。得益于深度学习技术的发展,生成式自动文本摘要技术成为了新的研究趋势,并取得了一系列新的进展与成果。尽管生成式自动文摘技术已取得令人瞩目的成绩,但它仍存在两个主要的问题有待解决,第一,事实一致性问题,是指生成式文本摘要文本的描述中,出现与原文事实不符的现象。第二,受限于文字的长距离依赖问题,生成式自动文本摘要模型对于长文本的处理还没有较好的解决方案。本文设计了两种深度神经网络模型,分别研究文本的结构化信息对事实一致性问题的解决是否有帮助,以及依存树是否能帮助模型学习文字的长距离依赖关系。具体如下:（1）基于实体关系的生成式文本摘要指针生成网络。该模型首先对原文档中的实体关系进行抽取,然后使用信息丰富型实体关系选择算法选出包含信息量最多的实体关系三元组,并将三元组构建原文的实体关系知识图谱,接着使用基于实体关系的图注意力神经网络学习实体关系知识图谱的特征,同时使用实体关系注意力方法对原有的注意力机制进行增强,增加文本中实体分词被选中输出的概率。（2）基于依存树的图注意力Transformer网络。该模型在经典的Transformer模型上进行了改进,使用了图注意力神经网络以学习文本句子中的语法结构和分词之间的长距离依赖关系。本文在多个英文和中文数据集上对模型的有效性进行了验证,并对模型中的各个模块进行了消融实验,实验结果表明,使用图神经网络学习文本中的结构化信息特征,可以有效地提高生成式自动文本摘要模型的性能。