随着互联网的蓬勃发展和web2.0时代的到来,社交网络成为了人们生活中不可分割的一部分,改变了人们获取和传播信息的方式。传统新闻媒体的报道往往滞后且冗长,在快节奏的如今已渐渐式微。社交网络这类简洁且实时性高的轻便式信息传播媒介渐渐取代了传统媒体,成为了新闻发生后人们进行发布和传播的主流媒体之一,微博更是其中的佼佼者。但是受微博的博文长度限制,传统新闻报道并不能直接在微博上发布,人工生成摘要既费时费力又不能保证其客观性。如何在较短的时间内快速获得一篇高质量且可作为微博发布的新闻摘要成为了一个急需解决的问题,对文本摘要技术也提出了新的挑战。在此背景下,本文展开了对面向微博的中文新闻自动摘要的研究工作。本文的工作主要包括以下几点:(1)本文提出了一个基于多粒度潜语义模型和子模最大化的新闻摘要模型,利用多粒度潜语义模型获取文本的潜语义向量,然后设计评估函数并使用子模最大化方式快速求得近似最优解,生成自动文摘。(2)在文本表示方面,本文采用正交矩阵分解潜语义模型得到文本潜语义向量,其对缺失词汇进行建模并使投影方向近似正交以减少冗余,解决了新闻短句信息稀疏和经典潜语义模型所得向量在计算语句相似度时效果不佳的问题。为引入事件信息和词语关系,本文在词粒度基础上还构筑了依存粒度词典,在依存粒度对文本进行潜语义挖掘。最终模型使用的是综合了词粒度与依存粒度的多粒度潜语义模型。(3)本文针对新闻这类特定题材的写作特征,从相关性和多样性方面设计多个单调子模函数和一个评估语句不相似度的非子模函数用于新闻语句集合的评估。然后考虑微博的长度限制,设计有限制的贪心抽样算法利用子模最大化方式较快速的求得问题的近似最优解。(4)在实验过程中,本文设计多组实验对特征、文本表示、baseline、多粒度模型等分别进行对比评估。结果表明在词粒度潜语义模型条件下,模型ROUGE-1评分达0.519,多粒度潜语义模型条件下实验结果进一步提升至0.531,超过其他基线模型;表明了本文算法的有效性。