的本质是一个信息抽取与处理过程,然而目前自动文本摘要技术的研究往往基于经验主义与实用主义方法,缺乏利用信息论框架进行有效的分析、指导与改进。本文首先基于Peyrard的信息论框架,对原始Text Rank算法只考虑了句子间相似度的局限性,提出使用文本摘要信息论框架中的重要性概念对经典Text Rank算法进行改进,提出融合信息论优化的Text Rank方法。并且在其中对句子并非基本语义单元的问题,提出了句子重要性的概念与计算公式。接着模拟人类生成摘要的两阶段过程,提出一种融合信息论的两阶段文本摘要生成方法:在第一阶段采用经过信息论优化的Text Rank算法抽取出关键句,在第二阶段利用Transformer神经网络进行创造性的文本组织与生成。同时采用信息论框架对中文语义单元的选择问题进行了分析与指导,对中文语言环境中常见的字词缩写现象利用信息论框架进行了分析,为混合字词特征的中文文本摘要模型提供了理论支持。由于近期BERT预训练语言模型在一系列自然语言处理任务上取得了突破性进展,本文还探究了BERT预训练模型在中文文本摘要上的应用。根据文本摘要信息压缩的特性,提出采用全词遮罩(Whole Word Masking)的中文预训练语言模型BERT＿wwm作为编码器提取词级粒度信息特征,采用多层Transformer作为解码器以字为粒度生成摘要的混合字词特征中文文本摘要模型。分别以BERT＿base＿Chinese、BERT＿wwm＿Chinese、BERT＿wwm＿ext＿Chinese和Ro BERTa＿wwm＿ext＿Chinese四种预训练语言模型作为中文词级信息特征编码器,在LCSTS数据集上进行的实验结果表明,Ro BERTa＿wwm＿ext＿Chinese+Transformer的性能超过了HWC+Transformer方法。此外,量子计算机作为最具颠覆性的下一代计算机范式,对许多经典算法都有加速作用,本文模仿量子Page Rank方案的工作,对本文融合信息论优化的Text Rank方法进行了量子化工作,有望在即将到来的量子计算时代具有实用意义。综上,尽管做了以上许多工作,但本文仍存在许多不足之处,因此在最后对本文局限性进行了分析,并给出了6点未来的研究方向与计划。