技术旨在利用计算机处理海量数据的优越性,对文档中的信息进行有效归纳提炼,从而得到一段概括全文的摘要,这在互联网信息爆炸时代可以有效地解决信息过载问题,同时提高人们的工作效率。受益于Seq2Seq模型的发展,生成式摘要方法取得了瞩目的成绩,成为新的研究热点,但目前仍然存在两个挑战:第一,由于摘要长度的限制,模型生成的摘要应该在较短的篇幅内覆盖原文更多的重要信息;第二,生成的摘要应该更具新颖性,即包含更多新颖的词句,而不是仅仅拷贝原文的词句。针对上述两个挑战,本文基于传统的Seq2Seq神经网络模型,对生成式摘要方法进行了深入研究,设计了一个关注主题的指针模型(Topic-aware Pointer Model,TPM)。具体来说,TPM模型将挖掘出的文本主题信息作为先验知识融入模型的注意力机制和指针机制中,提高了模型对文本的理解能力,使生成的摘要覆盖原文更多的重要信息;同时主题信息的加入也让TPM模型更关注那些没有出现在原文中,但是和原文主题相关的词汇,从而提高摘要的新颖性。除此之外,在TPM模型训练阶段,本文还提出一个新的主题相关性损失函数(Topic Relevance Loss,TRL),用于提高生成摘要与原文的主题相似性。最后,本文在真实的科研数据集上进行对比实验,实验结果及分析表明,相比于现有的生成式摘要模型来说,融入主题信息并在训练阶段应用主题相关性损失函数的TPM模型进一步提升了ROUGE评测得分,同时模型生成的摘要可以覆盖科研文档更多的关键信息,和科研文档的原文有着更高的主题相似性,并且更具新颖性。