社交物联网是融合了物联网和社交网络的新兴范式,它使社交功能从最初的人与人之间扩展到人与物以及物与物之间。如何实现这人与物以及物与物之间的社会交互,是一个亟待解决的问题。自然语言生成技术,关注于从非语言数据中生成自然语言的文本,这对于在社交物联网中实现人类和其他智能对象之间的无障碍交互至关重要。然而,现有的数据生成文本研究方法依赖于特定的模板和标准神经网络模型,当应用于具有不同含义的大规模结构化数据时,这些模型生成的文本中存在着内容不一致,叙述不流畅的问题。本文结合传统的流水线模块和神经生成系统,提出了两种管道辅助神经网络模型,用于社交物联网中的数据生成文本任务。本文主要的研究内容和创新工作如下:（1）深入研究了序列到序列模型的基本原理本文首先系统的介绍了神经网络、循环神经网络及其变体的基本概念,深入研究了数据生成文本任务中通用的基本序列到序列模型的框架以及模型的后期发展,为本文后续的社交物联网中的数据生成文本研究奠定了理论基础。（2）提出基于门控机制的内容选择数据生成文本模型针对现阶段的基于神经网络的数据生成文本模型单纯依赖编码器-解码器框架,使用者无法直接操控内容的选择与生成,输出文本中频繁出现引用相同数据记录或与输入不符的错误记录等问题,本文提出了基于门控机制的内容选择数据生成文本模型,融合了传统方法中的内容选择模块,巧妙地利用门控机制有选择性的生成输出内容。在Roto Wire数据集上的实验结果显示此模型有着良好的生成性能,提高了内容选择的精度,降低了生成关系的重复率,有效地提升了输出文本的可解释性和可控性,能够将结构化的数据转化为自然语言文本,实现社交物联网领域中人类与智能对象的社会交互。（3）提出基于实体追踪的表层实现数据生成文本模型针对在大规模数据集中生成高质量的长文本,模型难以寻找到输入数据中显著性内容的问题。本文提出了基于实体追踪的表层实现数据生成文本模型,融合了传统方法中的内容规划和表层实现模块,通过开发专门的记忆组件来进行显著内容的选择、指向和转换。在Roto Wire数据集上的实验结果显示模型拥有高达94.82%的关系生成精度分数,在内容排序指标上也有着16.03%的优化,生成的文本内容丰富且保真度高,实体追踪方式也让文本更加连贯,逻辑性强,可读性高,接近人类撰写风格。