随着互联网的发展,文本数据的激增,自然语言处理领域得到了良好的发展。在自然语言处理领域中,自动文本摘要生成技术是一个重要的研究方向,该技术能够大大缩减人工摘要形成的时间,帮助相关人员快速获取国内外新闻动态,并及时作出应急响应处理。此外,利用数据挖掘、机器学习等技术,能够深层次地挖掘文本背后的语义,形成质量和准确度都较高的摘要。本文提出一种基于语义的自动文本摘要生成算法,以海外新闻文档为研究对象,利用抽取式摘要生成技术进行多文档摘要抽取。然而,传统的抽取式摘要生成技术,很少考虑到新闻文本时效性强、主题明确的特性。此外,鲜有方法能够有效利用文本中的语义信息和结构信息,对文本中的重要信息进行提取。针对这些缺陷,本研究以文本网络为核心模型,设计了一个适用于新闻文本的自动文本摘要生成系统,旨在生成质量更高、主题性更明确、冗余度更小、语义性更强的摘要。具体来说,本文的贡献主要包括以下四点:1.本文提出了一种基于改进的TF-IDF的文本特征向量化算法,将新闻热度融入到词项权重的计算公式中,使得词项的权重随新闻热度的消退而变小,是一个符合新闻本身特点的权重计算方法。2.本文设计了一种基于语义的文本网络构建算法,利用文档间及句子间的相似度分别构建文档级网络和句子级网络。本文在考虑文档相似度时,利用了LSA的思想,在传统的“词项-文档”矩阵的基础上,通过奇异值分解,对矩阵进行降秩,并在此低秩矩阵的基础上,利用余弦相似度进行文档相似度计算。降秩操作,能够去除文本中的噪声,突出文本主题,使相关的文档间距离更小,不相关的文档间距离更大,有助于形成“高内聚、低耦合”的聚类效果。本文在考虑句子相似度时,充分考虑到了句子结构和语义对句子相似度的贡献,设计了符合本研究应用场景的句子相似度计算公式。3.本文提出了一种两阶段的密度聚类方法,分别对文档级网络和句子级文本网络进行聚类。该算法具有自适应性,无需手动确定簇的个数,能够通过“幂次法则”,自动确定簇的个数。此外,两阶段的聚类过程能够提升聚类的效率。4.本文提出一种基于特征融合的文本摘要单元提取算法,在考虑指数函数和余弦函数的曲线特性的同时,融入了新闻文本发布时间的因素,设计了符合新闻文本特征的句子重要度计算公式,使得生成的摘要时效性更强。最后,本研究在人工数据集和标准数据集上分别进行了实验验证。通过多个角度的验证分析,本研究所提出的基于语义的自动文本摘要生成模型能够有效地生成质量较高的摘要,在新闻文本上效果更佳。