自动文本摘要技术通过算法将原始文档中重要信息摘录以形成摘要,便于阅读理解。针对现有自动文本摘要与关键词提取算法存在的不足,并降低信息过载程度,本文综合自动文本摘要和关键词提取技术,尝试高质量文本摘要方法。主要研究工作内容如下:（1）鉴于传统关键词提取方法未有效利用中文的结构特点,且文本特征信息不足等问题,本文提出At-Bi-LSTM-CRF网络模型,将关键词提取转变为实体的标注问题。首先,将向量化的文本序列输入双向长短时记忆神经网络层,得以提取文本双向长距离依赖特征。其次,利用注意力机制得到输入和输出之间的相关性,计算新权重后得到新输出的特征值,进一步提取了上下文信息,可以更准确地提取文本内容特征。最后,结合线性条件随机场处理标签之间的状态关系,得到全局最优标注序列,以获得更好的关键词提取效果。实验结果表明,与传统TF-IDF、CRF、LSTM等算法相比本文方法具有较好提取效果,并与不加注意力机制的算法相比,F1值仍有不错提升。（2）在计算文本相似度时,传统TextRank算法仅对比句子中重叠词数量,未考虑语义及结构信息,致使准确性降低,本文提出基于关键词和图模型的文本摘要提取算法。首先,融合关键词、词性、词句位置等特征信息并沿用至词移距离算法中,克服了传统词移距离算法的缺陷,实现了基于多特征加权融合的文本相似度计算算法,并获取语义相关层面的信息,从根本上提高了相似度的准确性。其次,根据相似度结果各句子权重被迭代计算,直至收敛。最终,依权重值排序,从高至低筛选文摘句。从实验结果来看,本文算法的提取效果优于传统MMR、TextRank算法以及优化过的ImpTextRank算法,提取的摘要与人工摘要更加相近,提高了文章摘要提取的质量。综上所述,本文采用优化的深度学习方法处理关键词,利用关键词作为特殊的文摘句这一特性,结合优化的TextRank方法抽取文本摘要。克服了传统TextRank方法忽略关键词的覆盖性、缺乏语义信息、结构信息等缺陷。