近年来随着深度学习模型的快速发展,与文本生成相关的研究工作日渐增多,并取得了突破性进展。文本生成方法也在越来越多的任务场景中得到应用,所带来的实际价值日益凸显。但在面对不同粒度的语义约束时文本生成仍面临如下挑战:（1）在基于词的离散语义约束下,如何处理离散词与生成目标之间存在一对多的映射关系;（2）在融合词间关系的结构化语义约束下,如何在生成模型中对词间的结构化关系进行表示;（3）在基于短文本的语句级语义约束下,如何保证源语句与生成目标之间的语义一致性;（4）在基于长文本的篇章级语义约束下,如何实现生成目标与长文本片段之间的语义关联。本文围绕上述问题开展研究工作,主要研究内容包括以下四个方面:第一,针对离散语义在文本生成过程中的多样化表示问题,进行了基于离散语义约束的多样化问题生成方法研究。该方法首先采用Transformer作为主体框架,其次在编码时将已生成的历史问题与离散词信息进行拼接共同作为输入,既可以保证生成的问题不偏离主题又可以使得当前生成的问题与历史问题有足够的区分度,最后在解码时引入可训练的控制信号对每一类问题的公共特征进行表征学习,进一步确保了生成问题的多样性。以百度知道为来源构建任务数据集并进行验证。实验结果表明,本文提出的方法在相关性和多样性两项指标上均明显优于其他基线方法,展示了历史信息和控制信号对模型性能的提升作用。第二,针对结构化语义关系在文本生成模型中的表示学习问题,进行了基于结构化语义约束的文本生成方法研究。该方法首先采用基于门控循环单元的双向编码器对离散的主题词进行编码,其次采用基于多头自注意力机制的编码器对知识图谱进行编码,并将节点的邻接关系纳入到注意力机制的运算当中,使得实体之间的关联关系更加明确,最后将主题词和知识图谱表示共同输入到解码器中进行文本生成。以中文医学文献为基础构建任务数据集并进行验证。实验结果表明,使用医学知识可以有效帮助文本生成模型提高性能,并验证了对知识图谱整体结构进行建模可以进一步增强模型性能。第三,针对语句级语义表示与生成目标之间的语义一致性问题,进行了基于语句级语义约束的查询语句生成方法研究。该方法首先对给定的输入文本进行实体链接并采用预训练语言模型进行编码,其次按照查询语句的结构特性将文本问题解码成对应的抽象语法树作为中间表示,最后根据语法规则将中间表示转换成可执行的查询语句。在公开的医学文本到查询语句数据集上进行验证。实验结果表明,在包括逻辑形式、执行准确率等各项指标上,本文提出的方法均远远优于其他基线方法,验证了实体链接和抽象语法树在保持语义一致方面的有效性。第四,针对篇章级语义表示与生成目标之间的语义推理问题,进行了基于篇章级语义约束的复杂问题生成方法研究。该方法首先采用基于门控选择机制的编码器对给定长文本以及答案分别进行编码,其次根据正确答案使用预训练模型对问题意图进行预测并将意图表示作为解码器的初始化表示,最后通过使用注意力机制将长文本和答案进行融合共同用于生成问题。在公开的机器阅读理解数据集上进行验证。实验结果表明,在各项评价指标上,本文提出的方法均高于其他基线方法,验证了意图信息可以有效地增强生成问题与长文本之间的语义关联。综上所述,本文对不同语义粒度约束的文本生成方法进行了深入研究和讨论,并针对其中的关键问题,分别提出了基于离散词的多样化问题生成方法,基于知识图谱的文本生成方法,面向短文本的查询语句生成方法以及面向长文本的复杂问题生成方法。通过进行大量实验和分析,在对应数据集上进行了验证,最终所有提出的方法均获得了不错的表现。