随着互联网的发展,网络中的文本信息资源呈现指数级增长,同时这其中也包含了大量不规范的文本信息,例如互联网中大量无标题的微博以及众多自媒体平台的“标题党”文章等,为这些不规范的文本生成一条能够直观准确体现主题内容的文章标题成为一个具有挑战性的工作。如果采用传统的人工总结、编写方法,则会产生巨大的工作量,耗费大量的人力、时间成本。在工程应用中,自动文本摘要技术为生成一条准确、简洁、切合原文的文章标题提供了一种经济、高效的解决方案。文章标题生成任务是以文章内容作为输入,以文章标题作为输出的一种文本摘要任务的变体,是自然语言处理领域重要的研究方向。但是,与英文语系的表达相对简单所不同,中文的语法规则独特且词性变化多端,这些因素影响了中文标题生成的准确性且容易发生“未登录词”问题,因此有关于中文标题生成的研究相对较少。以此为背景,本文基于生成式自动文本摘要技术对中文文章标题生成系统进行了研究。本文的主要工作分为以下三个方面:(1)融合中文词性共现关系的词向量模型Mul-CBOW的研究首先在文本向量化表示方面,考虑到中文独特的词性变化,提出了一种融合中文词性共现关系的词向量模型Mul-CBOW,在不同词向量模型上的标题生成实验证明Mul-CBOW模型可以在一定程度上提高生成标题的流畅性。(2)基于聚类和神经网络的文章标题生成模型TGMCN的研究其次为了使生成的标题更加符合人类的编写习惯,将DBSCAN聚类算法与带有注意力机制的编码器-解码器标题生成网络模型相结合,提出一种基于聚类和神经网络的文章标题生成模型TGMCN。同时基于原文内容构建文章先验分布词典来缓解“未登录词”问题,优化TGMCN模型的标题生成效果。在LCSTS数据集上的测试实验表明,TGMCN模型的ROUGE-1和ROUGE-L评价指标分别提升至35.43%和30.95%,证明TGMCN模型可以有效提高生成标题的准确性、流畅性。(3)文章标题生成原型系统的设计与实现最后在上述研究的基础上,设计并实现了文章标题生成原型系统,并对系统功能进行了详细展示,证明了标题生成原型系统的有效性。