的目标是将输入的长文本自动地概括为短文本,在减少文字长度的同时,尽可能地保留输入中的核心信息。在当今信息爆炸的社会,这一任务有着重要的应用意义。近年来,深度学习被广泛应用于这一领域,基于编码解码框架的生成式文本摘要模型能够根据输入的文本,灵活地从广阔的词表中生成对应的摘要。然而,现有的文本摘要模型可能会产生非事实性的摘要,这是模型在读入无额外语义信息的纯文本序列时错误地理解了输入文本中单词之间的关系导致的。本文提出了一种将依存句法树引入模型的算法,以丰富的语义结构信息提高模型简化复杂文本的能力,从而解决上述问题。在DUC 2004数据集上的实验结果证明了我们所提出的算法的有效性和优越性。本文的主要工作如下:(1)本文对现有的基于编码解码框架的序列到序列模型进行了调研,并总结了其对自然语言的表达能力的缺陷。(2)为了弥补现有模型的缺陷,本文提出了一种将句法信息加入序列到序列模型的方法。为了保留现有的序列建模方法在每个单词处能获取完整的句子的信息的优势,本文对依存句法解析树进行了序列化处理。考虑到自然语言在本质上是分层的,依存关系亦是一个有向的信息源,本文在编码器部分分层建模了单词序列信息和其依存信息,并将分层特性推广到了解码器的注意力机制上,提出了依存信息敏感的注意力机制。相比于现有的方法,本文所提出的方法,通过丰富的句法信息更好地建模了输入的文本,并在生成摘要时提供了重点更明确的上下文向量,这些改进能有效提升模型在高维空间中对语言的表达能力。(3)实验结果中与基线模型的对比显示了我们的模型在ROUGE评测指标上有了明显提升,证明了本文所提出的方法的有效性。而通过定性地分析模型的输出结果和定量地分析模型与基线模型在不同长度输入上表现的差别,我们证明了加入依存关系的模型更好地理解了单词之间的关系,并提高了捕获长距离依赖的能力。