伴随互联网和信息技术的飞速发展,互联网上的数据和文件呈爆炸式的增长,信息超载问题愈益严重。因此,如何从海量的数据中快速、准确获取有用信息变得重要。文本自动摘要技术是一种从文本文档、文章或博客等较大的文本集合中产生简洁而重要的信息的方法,已成为国内外的研究热点。的研究集中在抽取式摘要,从原文中抽取句子表示摘要,但不够精炼,表示效果差强人意。而生成式摘要是通过理解文本内容,从而生成新句子,与抽取式摘要相比,有着更为灵活的词汇组合和表达方式。基于此,本文将分析文本底层编码特征、文本词向量表示、注意力模型机制、等,从底层到模型结构全方位来展开对生成式摘要问题的研究。主要完成了以下工作:(1)采用了一种基于知识迁移融合多特征的文档词向量表示方法。词向量作为文本特征表示的基础工作,其表达的准确率直接影响各个上层模型结果的性能。用词嵌入技术训练词向量时,越多的文本数据训练出的词向量质量越高,所以本文用维基百科外部数据集,采用知识迁移的方法在任务训练集上进行增量训练,从而训练改善词向量质量。同时,在文本分类和摘要研究中,文本词的一些其它特征如词频逆文档频率等也被广泛使用,并取得不错的效果。为进一步提高文本中词表征质量,本文采用将词频逆文档频率、词性等特征和知识迁移后的词向量进行融合,产生新的词向量,并通过实验验证了本文采用的词向量表示方法的优越性。(2)采用一种基于注意力机制的指针覆盖文本摘要方法。在此方法中,采用两个双向长短时记忆网络(LSTM-RNN)捕获文档两个重要级别的信息,一个在单词级别,另一个在句子级别。然后,在这两个层面上引入注意力机制,让模型关注重点词。最后,解码阶段引入混合指针生成器网络,用生成概率和复制文本的概率叠加生成最后的摘要。本方法,消除了低频词的干扰,捕捉了句词结构,很好结合了利用原文本还是生成新的词的问题,提高了摘要生成的性能。(3)设计并实现了基于注意力机制的自动摘要原型系统。