本文介绍了一种新型混合文本显著性模型（TSM），将阅读的认知模型和人类注视监督相结合，实现了人类注视引导的神经注意力与NLP任务的结合。该模型在QUora问题对语料库的释义生成任务中优于当前技术水平的PERFOMANCE BY MORE THAN 10% BLEU-4，并在Google句子压缩语料库中实现了最先进的性能。这种方法桥接了数据驱动模型和认知模型，并展示了将人眼引导的神经关注集成到NLP任务中的新方法。

本文介绍了一种新型混合文本显著性模型(TSM)，将阅读的认知模型和人类注视监督相结合，实现了人类注视引导的神经注意力与NLP任务的结合。该模型在QUora问题对语料库的释义生成任务中优于当前技术水平的PERFOMANCE BY MORE THAN 10% BLEU-4，并在Google句子压缩语料库中实现了最先进的性能。这种方法桥接了数据驱动模型和认知模型之间的差距，并展示了将人眼引导的神经关注集成到NLP任务中的新方法。

该论文使用神经注意力和自编码的无监督运算架构，研究了人类阅读时的跳过现象和读取过程的计算，并提出了一种新的方法。在评估中，该模型能够很好地预测跳过行为和阅读时间，捕捉了人类阅读的已知定性特征。