随着互联网的快速发展,信息的爆炸式增长,文本信息是人们获取信息的主要来源,近年来自然语言处理技术受到越来越多研究者的重视,自动生成文本摘要技术是该技术的一个重要研究分支。本文针对自动生成文本摘要技术进行研究,并将句子语义相似度匹配技术和摘要评价技术作为摘要技术的支持性研究。首先通过改进传统注意力机制和损失函数,提出了一个基于语义相似注意力机制的摘要模型,将原文与生成摘要两者的语义特征向量余弦相似距离与条件概率损失函数相融合共同反馈至注意力机制,使生成的摘要更贴近原文语义。其次,通过研究语义相似性在摘要技术和摘要评估上的应用,提出了一种基于最优特征的句子语义相似匹配模型,用于判断两条句子语义相似程度。最后,在语义相似匹配模型的基础上通过结合Rouge摘要评估算法,提出了一种基于最优融合分数的摘要评估方法,使评估结果更加接近于人工评价。本文主要贡献如下:1.针对当前摘要模型难以获取与原文语义相关的上下文信息,导致生成摘要不准确的问题。本章提出了一种基于语义相似注意力机制的摘要模型。首先,建立了一个语义相似注意力机制,通过计算编码器和解码器隐藏层状态之间的余弦距离,同时将该距离引入注意力机制中辅助该机制获取与原文语义相似度较高的上下文语义信息。其次,提出了一种学习语义相似特征的融合损失方法,将余弦距离与原损失函数加权融合反馈至语义相似注意力机制,进而迭代更新上下文信息。最后,解码器利用最贴近原文的语义信息生成准确性更高的摘要。实验结果表明,该模型在Rouge-1和Rouge-2评价分数上有0.65%和0.17%的提高。2.本章设计了一个基于择优选择机制的语义匹配模型,用于句子相似性识别的最优特征匹配以提高准确度。相较于没有使用特征择优机制的模型,该模型使用最贴近原文语义的关键特征进行匹配,从而获得更高的匹配性。本章提出了一种改进的语义信息选择机制,通过计算词语在句子中的语义分配概率挑选尽可能接近原文语义的一个候选特征。同时,设计了一种新的注意力焦点机制,通过迭代更新信息权重得到另一个可能影响匹配准确性的候选特征,然后利用上下文向量和两个候选特征设计了一种择优算法计算挑选系数,进而从候选特征中选择最优特征进行语义匹配。实验结果表明,该模型在英文和中文数据集上匹配准确率有1.86%和0.86%的显著提升,优于目前表现较好的匹配模型。3.针对Rouge评估方法未考虑原文与生成摘要之间语义相关,仅计算两者之间重合单元的分数,导致评估不合理的问题,本章设计了一种基于最优融合分数的摘要评估方法。首先,提出了一个带有选择门的句子语义相似匹配模型,通过计算词语概率分布获得原文与生成文本两者的关键特征,使用该特征进行句子相似度匹配,并得到语义相似度得分。其次,使用Rouge-1、Rouge-2和Rouge-L方法分别计算原文和生成文本之间重叠单元的得分。最后,通过计算语义相似分数和Rouge分数的置信距离矩阵和相关矩阵得到两者的最佳融合候选结果,进而使用最大值原理得到最优融合数据。实验表明,本章方法使用中文数据集和英文数据集在不同模型生成的摘要上进行评价都接近人工评价标准。综上所述,这三方面的研究内容是一个完整的体系,基于语义相似注意力机制的摘要模型是核心,一种基于最优融合分数的摘要评估方法是验证,而基于择优选择机制的句子语义相似匹配模型是两者的重要内容。