随着智慧城市和电子政务等新兴信息产物得到国家层面的充分重视,国家组成的电子政务领导指挥小组强调各级政府利用创新手段优化公共服务方式和提升政府办公效率。公文处理作为政府机关的主要的政务工作之一,传统的公文处理需要人为通读公文,然后从中提取出重要信息点,最后执行或公文传达。传统的公文处理方式依靠人工公文处理方式,导致政府公文处理过程缓慢且占用较大的政府人力资源。因为不需要每篇公文都仔细阅读,很多公文只需要大致理解主要信息点,就可以进行公文传达。自然语言处理中的文本自动摘要技术通过对指定文档的信息进行压缩和汇总,从而提供一篇短小且信息覆盖全面的摘要。将文本自动摘要技术应用到政府公文中能够有效的缓解政府公文处理中的问题,提升政府办公效率,节约政府人力资源。本文是基于实验室的政府公文智能摘要项目展开的,主要工作是对基于深度学习的文本自动摘要技术在政府公文中的应用算法进行调研,然后通过多种手段的混合使得方案能够达到项目的验收指标,主要分为以下几方面展开:1、改进了基于图排序算法的方法和有监督抽取式摘要生成算法。首先通过对抽取式文本自动摘要算法的调研,在政府公文数据集上分别对基于图排序算法的方法和有监督抽取式算法进行实验与分析;接下来根据实验分析,找出该算法对于政府公文数据集存在的缺陷;最后针对缺陷对两种方法分别提出了一定的改进,使得最终效果达到验收标准。2、对生成式文本自动摘要算法进行了改进。首先通过对生成式文本自动摘要算法的调研,在政府公文数据集上对比了ABS模型、RAS模型、CopyNet以及ML+RL模型这四种模型。然后通过对试验结果的分析,确定CopyNet模型为基准模型,并在此基础上针对政府公文数据集对模型进行改进。3、引入融合抽取式摘要和生成式摘要算法的思路,尝试了基于阈值调控的级联式结合方法和基于强化学习的结合方法两种不同的结合方法,这两种方法的侧重点以及结合思路均不相同。通过最终实验测试,这两种方法均达到了验收指标。