复述的相关技术研究很早就在国内外开展了,它是自然语言处理任务中的一个重要领域。复述任务如果按文本粒度划分的话,一般可以分为词汇级,短语级以及句子级;按具体任务划分,可以分为抽取式,判别式以及生成式。本课题基于深度学习的细粒度中文复述抽取技术研究,旨在研究细粒度(词汇和短语)的中文复述抽取,希望能够获取优质的复述资源。复述任务在自然语言处理任务中是偏底层的任务,复述资源的好坏能直接影响很多上层任务,例如:信息检索、问答系统、机器翻译等都能够通过复述资源进行数据增强,进而提升任务效果。考虑到传统方法在复述任务上已经日趋瓶颈,而深度学习相关技术日趋火热,在很多任务上都能够帮助提升效果。本课题基于深度学习的细粒度中文复述抽取技术研究尝试将深度学习的方法引入到中文复述任务中来,希望能够获取到更加优质的复述资源。本课题所要研究的内容主要包括以下三个部分:首先是词汇级中文复述抽取技术研究;然后是中文短语划分的技术研究;最后是短语级中文复述抽取技术研究。在词汇级中文复述抽取任务中,本文提出了基于“枢轴法”的中文候选复述抽取方式,利用丰富的在线英文词典,能够获取到大量的候选复述数据。与此同时,本文还提出了带负采样机制的多模型融合的判别方式用于在候选中文词汇复述的基础上进行判别过滤。通过对最终的中文词汇的复述资源进行随机抽取并人工评价,结果显示:本课题中所提出来的中文词汇复述抽取方法,都要优于目前其他的中文词汇复述抽取方法。在中文短语划分的任务中,本文提出了2*BiLSTM+BiLSTM+CRF的序列标注模型,基于CTB8.0的语料进行模型训练和测试。该模型主要用于在中文单语语料上进行短语划分。通过实验比对,最终证明的本文提出来的模型在中文短语划分上的效果要优于同类模型。在中文短语复述抽取任务中,本文运用预先提出的序列标注模型进行中文短语划分,通过规则过滤获取到大概103万条优质的中文短语。在此基础上进行相关对比实验,本文提出了基于二元注意力机制的递归自编码模型,用以学习中文短语的向量表示,通过计算余弦相似度,以语义距离最相近的40个短语作为候选短语复述,同时按照语义相似度,对短语复述进行排序。最后基于翻译数据和规则,过滤错误或者低质量的候选短语复述。实验对比得出结论,本课题中提出来的中文短语复述抽取方法,要优于目前的其他模型。