科技的飞速发展让我们随时随地的了解世界各地所发生的的实时信息,网络的普及也让我们更加方便的浏览和查阅自己所需要的资料,技术的进步在带给我们便利的同时,也带来很多烦恼。科技进步带来了海量的信息,存在于我们工作生活的各个角落,如何快速的整理这些信息成为了我们日常生活中不得不面对的问题。在当今这个时代我们几乎时时刻刻都在与计算机打交道,在面对这个问题的时候很容易就可以想到利用计算机来帮助我们快速的区分这些海量的数据。早在上世纪五六十年代计算机的兴起就有很多前辈来研究这个问题,但是局限于当时计算机性能,可以使用的方法大多是基于统计学的方法,将文字信息进行分词处理后,统计出现的高频词作为标签来方便人们快速了解长文章的内容,但是这种方法的缺单也很明显,高频词意并不意味着文章包含的实际含义,只能获得表面意义而无法获取真正抽象的深层含义。上世纪五十年代开始,神经元概念的提出与神经网络的搭建,使得关于文字内容深层含义的提取找到了突破的方法,但是限制于当年计算机计算能力,很多深层次的网络结构无法实现,直到进入二十一世纪,计算机的计算力呈指数级的提升,关于神经网络的研究又掀起了一股热潮。为了解决这个令人烦恼的问题,本文设计的系统采用的是深度学习的技术来生成一个关于文本信息的标题摘要,通过阅读简短的标题来加快筛选查找所需要信息的速度,同时会生成分类的标签帮助用户整理这些资料。本系统的思路就是生成简短的摘要以及将文本信息进行分类两个操作这,辅助人们来进行快速阅读,快速了解文本的信息,其主要任务可以看做是一个标题摘要生成的问题,实质就是将输入序列转换成目标序列的过程,当前解决该问题最好的框架就是Encoder-Decoder框架就是针对序列到序列的问题所设计的框架。该框架主要是由两部分组成,一个是编码器,该部分主要提取文本信息中的抽象特征来供计算机进行识别文字序列信息,另一部分是解码器,根据编码器提取的特征信息来预测目标序列。由于系统任务的文本序列较长,同时使用的编码器结构的输入方式无法衡量输入词的位置信息,因此使用Word Embedding+Position Embedding的方式来生成高质量的输入。编码器的结构使用的是一个12个Head,512个隐藏单元,8个Block的结构,解码器则是用mask后的相同尺寸的结构。在实验部分设计了四个不同的实验来得到更好的模型结构来完成系统对应的任务,第一个实验是选择合适的输入序列长度使得摘要的效果更好,通过实验可以看出在模型拟合能力足够的前提下,输入序列长度越长越好。第二个实验是为了寻找对于相应长度的输入,多大的模型尺寸可以完成对应摘要的任务。后面两个实验是用来比较如何更快捷更方便的生成分类标签,为此设计了两个不同的模型,一个是基于LSTM的分类模型,另一个是基于Multi-Head Attention的分类模型,与之对应的设计了两个不同的数据集。两个模型都可以达到系统的任务要求,但是在面对更多分类标签或者更难区分的内容时基于Multi-Head Attention的分类模型更好,但是处于计算资源的局限性和实际实现的经济性等角度考量,最终选择了基于LSTM的分类模型来实现。