1.一种基于深度学习的新闻文本摘要生成方法，其特征在于，所述方法包括以下步骤：

1)通过爬虫算法爬取新闻网站上的新闻标题和新闻文本，每一个新闻文本和新闻标题组成一个story文件，文本与标题之间用@highlight标识符分隔；

2)将上述的story文件用Stanford CoreNLP工具包进行分句分词，通过贪婪算法，选择出新闻文本中与标题句子ROUGE‑1/2指标分数最高的前三个句子打上label标签，最后生成确定格式的标注文本作为训练数据和验证数据；

3)文本摘要生成方法使用的是抽取+生成的策略，先使用抽取式模型从新闻文本抽取出与标题相关度高的句子，然后将抽取出来的句子作为指导信号作用于另外一个生成式模型，去指导摘要的生成；

4)抽取式模型采用Bert网络模型获取句子表示，Inter‑sentence Transformer层作为摘要层，来对确定格式的标注文本作文本摘要抽取式的训练；同时，用另两个Bert网络模型作为两个编码器，解码器采用Transformer的Decoder端，对输入文本和指导信号进行文本摘要生成式的训练，指导信号是打上label的关键句子，实现过程如下：

4.1)给定token化的文本X＝[cls,x1,x2,…,xn,sep]其中cls和sep是每个句子的句首和句尾插入的token，xt是文本t位置上的token，将文本X输入Bert模型后，得到文本的隐藏表示H＝[h1,h2,……hm],获取每个句子句首的cls token的隐藏表示T＝[T1,T2,…Tt]；

4.2)将隐藏表示T传输给由两层Transformer Encoder layer组成的摘要层，输出得到lh ,然后经过一个sigmoid层，得到每个句子的分数Y＝[y1,y2,…yn]，根据标注文本的label标签L＝[l1,l2,…ln]，然后使用二分类交叉熵损失函数对抽取式模型进行训练：ln＝‑[ln·logyn+(1‑ln)·log(1‑yn)]    (5)

其中l表示Transformer Encoder layer的层数，MHAtt是对Transformer Encoder l‑1layer层的输出h 做多头注意力运算， 是经过层归一化操作LN之后的输出，然后对该输l出做FFN前馈网络运算，生成第l层的输出向量h，σ是sigmoid运算，Wo是权重参数，bo是偏i差，y是第i个句子的预测分数，N是句子的个数，ln是第n个句子的标签，yn是第n个句子的预测分数；

4.3)将token化的输入文本X＝[x1,x2,…,xn]与token化的指导信号G＝[g1,g2,…,gm]分别输入给生成式模型的两个编码器Bert模型，分别得到隐藏表示Hx＝[hx1,hx2,…,hxn]，Hg＝[hg1,hg2,…,hgm]；

4.4)生成式模型的解码器端首先对上一层的输出y做一次self attention操作，其次利用Cross Attention机制关注指导信号并生成相应表示y1，然后再经过一个Cross Attention层，根据y1来处理整个输入文本，得到表示y2，最后经过一个前馈网络层，得到中间输出y3，经过6层Decoder layer之后，输出词的概率分布，计算损失，训练模型；

y＝LN(y+Selfatt(y))    (6)

y1＝LN(y+Crossatt(y,g))    (7)

y2＝LN(y1+Crossatt(y1,x))    (8)

y3＝LN(y2+FFN(y2))    (9)

其中，LN是层归一化操作，Selfatt是自注意力机制，Crossatt是交叉注意力机制，FFN是前馈网络运算，y是解码器端上一层的输出向量，g是指导信号的向量表示，x是输入文档的向量表示，y1是在y的基础上融合了指导信号g的向量表示，y2是在y1的基础上融合了输入的文档向量x的向量表示，y3是解码器端decoder层的输出；

5)训练完成后，将抽取式模型和生成式模型分别保存；

6)生成摘要时将一段新闻文本先输入到抽取式模型中，抽取出模型认为的候选摘要，然后将候选摘要和新闻文本再输入至生成式模型，得到最终的摘要。