随着当前互联网和移动互联网的迅猛发展,网络信息呈现出爆炸式增长,如何有效自动化地获取所需信息成为当前情报科学的研究热点。自动摘要技术可以对文本信息进行压缩和提炼,是解决该问题的重要手段之一。现有的抽取式自动摘要技术是从原文中抓取关键词或句子重组后形成摘要。这种技术易于实现,但摘要句往往前后逻辑性不强,不够流畅,且使用的词都是在原文中出现的词,语言不够丰富。生成式自动摘要技术运用智能算法理解文本内容进而生成逻辑性强表达流畅的摘要。目前通用模型还存在摘要不准确语义不够丰富的问题值得研究。本文在对现有的词向量化方法和深度学习模型深入分析研究的基础上,提出了基于BTWPS自动编码器的生成式自动摘要模型。自动编码器包括编码器和解码器两个部分,本文主要从词向量化、编码器和解码器三个方面做出如下工作:(1)词向量化部分。本文引入词的关键性和词性两个语义特征,并提出了一种TF-IDF值和词性标注的向量化方法,将TF-IDF值和词性标注信息融入基础词向量中形成新的词向量。与原本词向量相比,该方法重点突出了词的关键性和词性特征,提升了词义理解能力,并最终提高摘要质量。(2)编码器部分。本文分析了三种循环神经网络门结构的优缺点,针对一般循环神经网络记忆能力不足和一般自动编码器中间语义不准确的问题,引入了门循环单元门结构,双向循环神经网络和注意力机制,构建了一种生成式自动摘要编码器。与一般的编码器相比,该结构能生成更加准确的中间语义,提高文本的理解能力。(3)解码器部分。本文深度剖析了多层循环神经网络解码器的结构特点,提出了基于状态层的解码器结构和一种引入临近词的解码器词汇表重组方案。实验确定了临近度的大小,探究了状态层和映射层数量对摘要结果的影响。改善了摘要句的准确度,丰富了解码器的语义表达能力。最终方案在Rouge评价体系中表现良好。本文提出的自动编码器模型也可以应用在其它领域。