技术是指通过算法对文本信息高度概括后生成更加精炼、语义通顺的摘要,目的是为了在文本类数据中快速的筛选信息,解决信息冗余过载的问题。当前文本摘要的研究大多集中在传统抽取式技术,难以完成在大数据环境下的具体工作,得益于深度学习技术的不断发展,本文采用CNN与LSTM的方法实现了基于Seq2seq-attention机制模型的改进,并在Sogou CS新闻数据上,利用ROUGE评价指标,设置了4组实验进行对比和评估。首先,本文详细介绍了传统文本摘要方法。并以Textrank和TF-IDF两种较为突出的算法为例,详细梳理传统方法的原理及存在的不足,并将两种传统方法的结果与改进后模型的结果作比较。其次,由于传统抽取方法在文本摘要中未考虑上下文语义特征的信息,因此本文对基于传统Seq2seq-attention机制模型的框架拆分研究,并根据深度学习算法将CNN框架用在编码器,LSTM框架用在解码器,从而实现了模型改进,之后在同一数据集上与传统的基于RNN框架的Seq2seq-attention机制模型对比。实验表明,改进后的模型在ROUGE评分上高于传统生成式模型,可以表明改进后的模型能够运用在生成式文本摘要任务。再次,通过对数据集的拆分,将同一数据集按比例划分为训练集和测试集,在同一数据集且相同环境下设置了3组对比实验,改进后的模型与两种传统抽取式模型和传统生成式模型的进行比较。实验表明,传统生成式模型较传统抽取式模型的方法好;改进后的模型较传统生成式模型,在ROUGE评分是略有提升,说明改进起到了优化作用。最后,本文从工程角度分析文本摘要任务的具体需求,设计、实现并测试了基于改进模型的生成式中文文本摘要系统。通过测试表明,该系统能够满足在新闻类文本中的自动摘要任务。本文基于CNN、LSTM和Seq2seq-attention模型改进并构建c-s-a模型,共设置4组实验,采用LOSS损失值、ROUGE-L、ROUGE-1与ROUGE-2作为评价指标,就抽取式模型与生成式模型、传统生成式模型与c-s-a模型优劣及收敛问题进行比较。结果表明,在模型优劣评价中,生成式模型的ROUGE评分均比抽取式模型高,c-s-a模型的ROUGE评分比传统生成式模型评分高;在模型收敛评价中,c-s-a模型较传统生成式模型更快收敛,LOSS值更低。说明改进后的c-s-a模型更优,能够用于中文文本摘要自动生成任务,由于c-s-a模型的ROUGE分值增幅不明显等问题,在今后的研究中,需要对长文本处理进行优化。