的提取在自然语言处理领域一直都是比较困难的任务,其目标是要求机器从全文中提取出核心内容,重新组织成更加精炼的一两句话来概括全文。因此,如何有效的提高机器信息过滤的准确度变得尤为重要。虽然目前提出的抽取式和生成式自动摘要提取方法在英文文本和中文短文本方面取得了重大突破,但是由于中文长文本领域的研究内容复杂且没有标准的语料库,尚存在一些需要解决的问题。一方面,就中文本身的一词多义而言往往在语义分析时造成一定难度。另一方面,就抽取式和生成式两种提取摘要的方法而言,通过抽取式方法得到的结果往往不精确,断句严重,生成式获得的摘要则词义杂糅重复率高。因此,针对于目前方法存在的缺陷本文提出了一种新颖的方法意在进一步提升摘要的质量。首先,制约中文长文本摘要发展缓慢的一个重要原因是缺少标准的语料库,本文通过自主编写的爬虫代码对搜狐网站的新闻版块进行了文本内容和标准摘要的收集。通过一系列的数据清理工作后构建了一个质量较高的语料库,该语料库中每条数据集的字数都在500字以上,符合中文长文本长度的要求。其次,在以深度学习为代表的生成式摘要提取方法中,由于长文本的篇幅原因,导致网络在处理文本时很容易产生梯度消失和梯度弥散的问题。虽然抽取式摘要提取方法处理的文本长度不受限制,但是由于抽取式提取摘要方法在处理文本时不能同时考虑词语层面的语法和语义,导致生成的结果句子的连贯性和一致性都比较差。因此,本文提出了一种结合抽取式和生成式摘要提取方法的新算法,在该算法中首先利用无监督抽取式方法粗粒度的提取长文本中的数条重要句子组成短文本,然后利用生成式对短文本内容进行信息组合和包装生成新的符合人类说话逻辑的精简摘要。抽取式方法提取生成短文本的算法是一种混合了Word2Vec、Text Rank和TFIDF的改进版算法,该算法不但考虑了词语之间存在的语义空间信息,而且采用两种不同的算法计算每个句子在文章中所占的权重,进一步提高了目标句子最终出现在结果中的可能性。的算法是基于传统的循环神经网络编码-解码结构改进的,在本文提出的算法中充分考虑了网络在进行空间编码和空间解码时词语之间存在的时空特性。为了解决生成式提取摘要往往产生的指代不清和模型无法收敛等问题,本文提出了在网络中添加注意力、指针和覆盖机制并在测试集上取得了良好的效果。