随着我国智能制造发展的趋势,人机智能交互成为核心任务之一。在人机智能交互过程中存在文本数据的读取和传递,这些数据通常包含大量长文本信息。为了高效地进行关键信息传递和交互,需要筛选和总结其中的重要内容,使用的方法称为生成式文本摘要提取。然而,现在文本摘要的方法主要用在短文本摘要提取,但是对长文本还鲜有研究。文本的长度影响网络模型生成摘要的质量,长文本包含更多的信息,扩大输入文本长度,能够获得较完整的文本语义关系。因此,提高长文本生成摘要的准确度成为摘要提取任务的一个研究内容。本文分别对数据集和BERT模型进行改进和研究。数据集上,主要基于长文本数据集CNN/Daily-mail进行,整个训练过程并不会只选取其中的短文本而是使用所有文本。拆分长文本,将其处理为分割数据集和组合数据集并适用于新模型。之后利用Doc2Vec训练句子向量,并在每个拆分后的段落文本向量中添加句子向量来保证整体的语义相关性,保留了原始文本中的语义信息,使其在拆分后相关联。为了获得更好的训练结果,还需要结合位置编码和注意力机制,增加位置因素来完善整体的词嵌入向量。模型上,针对新数据改善BERT模型结构。同时堆叠三个BERT编码器,每个编码器输入原长文本的一部分,结合训练所得到的文档向量,获得对应的输出文本向量,并传入到解码器中,之后结合每个解码器生成的摘要内容,获得整体的摘要表示。改进模型利用拆分思想,减少每次传入数据维度,又保留了长文本相关信息,在不增加运算成本的同时,完成对长文本摘要生成的任务。最终,提出一种基于BERT模型的长文本生成式摘要提取模型,分别使用分割数据集和组合数据集两种数据形式评估改进的模型,对比实验结果得到,本文提出的模型架构所生成的摘要在不同的评价指标上准确度均有所提高,验证了提出方法和模型在生成式摘要提取任务中当输入的文本是长文本时的有效性。