本书主要介绍文本大数据挖掘技术及其在文本自动整编领域的应用方法。除绪论外，本书的主要内容分为上下两篇，共9章。绪论介绍了文本自动整编的相关技术及研究现状，并提出了两种可行的文本自动整编方案。本书的上篇主要介绍了基于抽取式方法的文本自动整编技术，内容包括：面向信息检索的抽取式多文档摘要技术架构、基于多示例框架的深度关联匹配、基于多粒度语义交互的抽取式文档摘要以及基于层次注意力和指针机制的句子排序。下篇主要介绍了基于生成式方法的文本自动整编技术，内容包括：生成式文本自动整编技术架构、基于预训练和深度哈希的文本表示学习、基于两阶段半监督训练的长文本聚类以及基于语句融合及自监督训练的文本摘要生成。第9章对全书内容进行总结，并对后续发展方向提出展望。 本书可作为数据科学与大数据技术、人工智能等相关学科专业的本科生或研究生的教学用书，也可作为自然语言处理或文本挖掘相关领域科研人员的参考书。

绪论
0.1 文本自动整编相关技术及研究现状
0.1.1 文本整编关联的研究方向
O.1.2 文本整编关联的关键技术
0．2 本书主要内容安排
参考文献
上篇 抽取式文本自动整编
第1章 面向信息检索的抽取式多文档摘要技术架构
1.1 研究思路及技术架构
1.1.1 研究思路
1.1.2 技术架构
本章小结
第2章 基于多示例框架的深度关联匹配
2.1 问题分析
2.2 多示例深度关联匹配模型
2.2.1 模型架构
2.2.2 句子级关联匹配
2.2.3 深度关联匹配
2.2.4 损失函数
2.3 实验结果与分析
2.3.1 实验数据及评价方法
2.3.2 基准模型
2.3.3 实验设置
2.3.4 结果分析
2.3.5 消融实验
本章小结
参考文献
第3章 基于多粒度语义交互的抽取式多文档摘要
3.1 问题分析
3.2 Hierarchical Transformer概述
3.2.1 局部Transformer层
3.2.2 全局Transformer层
3.3 多粒度语义交互抽取式多文档摘要模型
3.3.1 模型架构
3.3.2 多粒度编码器
3.3.3 MMR模块
3.4 实验结果与分析
3.4.1 实验数据及评价方法
3.4.2 基准模型
3.4.3 实验设置
3.4.4 结果分析
本章小结
参考文献
第4章 基于层次注意力和指针机制的句子排序
4.1 问题分析
4.2 基于层次注意力和指针机制的句子排序模型
4.2.1 模型架构
4.2.2 层次编码器
4.2.3 指针网络解码器
4.3 实验结果与分析
4.3.1 实验数据及评价方法
4.3.2 基准模型
4.3.3 实验设置
4.3.4 结果分析
本章小结
参考文献
下篇 生成式文本自动整编
第5章 生成式文本自动整编技术架构
5.1 生成式某领域内文本自动整编研究思路
5.2 生成式某领域内文本自动整编技术架构
5.3 主要研究内容
5.3.1 海量文档信息的编码表示学习
5.3.2 基于内容相似度的文档聚类
5.3.3 基于多文档的可控文本生成
本章小结
第6章 基于预训练和深度哈希的文本表示学习
6.1 问题提出
6.2 文本表示学习方法TRL—PLM&DH概述
6.3 文本表示学习方法TRL—PLM&DH应用实证
6.3.1 短文本检索
6.3.2 文本语义相似度匹配
6.3.3 文本释义
6.4 实验结果与分析
6.4.1 实验环境
6.4.2 参数设置
6.4.3 结果分析
本章小结
参考文献
第7章 基于两阶段半监督训练的长文本聚类
7.1 问题提出
7.2 DEC-Transformer算法总体设计
7.2.1 DEC-Transformer算法概述
7.2.2 基于预训练Transformer的模型参数初始化
7.3 DEC-Transformer算法两阶段训练策略
7.3.1 第一阶段参数约束训练
7.3.2 第二阶段自监督训练
7.4 实验结果与分析
7.4.1 数据集
7.4.2 评测指标
7.4.3 实验实施
本章小结
参考文献
第8章 基于语句融合及自监督训练的文本摘要生成
8.1 问题提出
8.2 语句融合及自监督训练方法
8.2.1 语句融合与PoC
8.2.2 预训练语言模型与自监督训练
8.2.3 生成式文本自动摘要主流方法
8.3 Cohesion—based文本生成模型
8.3.1 训练数据及预处理
8.3.2 自监督Cohesion—permutation语言模型训练任务
8.3.3 基于语句融合掩码的微调训练
8.4 实验设计与结果分析
8.4.1 实验数据及评价指标
8.4.2 模型参数设置
8.4.3 实验结果与分析
本章小结
参考文献
第9章 总结与展望