写作是作者根据自身积累、思考感悟运用语言文字来表达自身思想感情的过程,是一种极具创造性的脑力劳动。智能写作是指使用人工智能技术为作者提供辅助,从而降低写作门槛,提升作者的写作效率与创作体验,在更短时间内创作更多优秀的文艺作品,最终实现生产力的提高。本文针对嵌套命名实体识别、文本重排序和数字生成这三个智能写作所需的支撑性技术进行了研究。（1）嵌套命名实体识别。嵌套命名实体往往具有丰富的文本内涵,在文本中具有重要地位,被认为是保持语义连贯性的关键。提取并收集作者文本中出现的命名实体构成实体链,可用于指导后续的生成过程,获得主旨更为一致、语义更为连贯的生成结果。本文提出了一个基于BERT的图神经网络模型来完成嵌套命名实体识别任务。该模型首先使用BERT为输入文本进行编码,获得每个单词的向量表示。然后使用图神经网络模块对文本中单词之间的依赖关系进行进一步的建模,更新单词的向量表示。最后使用区域分类器枚举所有可能的文本片段进行实体提取。本文在ACE2004等六个数据集上进行了实验,实验结果表明,本文提出的方法较基线模型在大部分指标上有着更好的成绩,且在推理速度上占有优势。（2）文本重排序。生成模型常用的采样方法在利用随机性获得更为多样的生成结果时,难免有质量较低的生成结果出现。文本重排序的作用就是根据输入的文本前缀,对生成模型的生成结果进行打分,按得分高低对结果进行排序,起到修饰生成结果、提高生成质量的作用。本文提出了基于BERT的信息交互重排序模型。该模型采用独立编码方式,使用两个BERT分别对文本前缀和后缀进行编码。采用Transformer解码器组成的信息交互层融合前缀和后缀的信息特征,以弥补独立编码造成的信息损失。最后使用前缀与后缀对应语义向量的内积作为匹配度得分。本文提出的模型在Dou Ban、RRS等数据集上同基线模型进行了实验并取得了更好的实验结果。消融实验的实验结果表明本文采用的In Batch Negative Sampling、正负样本数据增强等策略对提高模型实验效果有重要作用。（3）数字生成。生成模型的生成结果中出现数字是比较常见的现象。但由于训练语料中带数字的文本较少,生成模型训练不够充分,因此常有错误的、与语义不匹配的数字产生,这格外影响作者对生成结果的观感,极大地降低了生成质量。根据对错误样例的分析,本文提出了基于T5的数字生成模型。该模型采用联合学习架构,通过增加的数字合理性判别任务来加深模型对文本和数字语义的理解能力,通过生成数字的指数对数字的范围进行约束。在相关数据集上的实验结果证明,本文提出的数字生成模型有效地解决了数字生成问题。