Eine qualitativ hochwertige abstraktive Zusammenfassung sollte nicht nur herausragende Passagen des Quelltexts wiedergeben, sondern auch dazu neigen, neue konzeptionelle Begriffe zu generieren, um konkrete Details auszudrücken. Angeregt durch das populäre Pointer-Generator-Sequenz-zu-Sequenz-Modell präsentiert dieser Artikel ein Konzept-Pointer-Netzwerk, um diese Aspekte der abstraktiven Zusammenfassung zu verbessern. Das Netzwerk nutzt wissensbasierte, kontextbewusste Konzeptualisierungen, um eine erweiterte Menge an Kandidaten-Konzepten abzuleiten. Anschließend wählt das Modell mithilfe sowohl der Konzeptmenge als auch des ursprünglichen Quelltexts die passendste Option aus. Dieser gemeinsame Ansatz erzeugt abstrakte Zusammenfassungen, die auf höherer semantischer Ebene konzipiert sind. Das Trainingsmodell wird zudem so optimiert, dass es sich an unterschiedliche Datensätze anpassen kann, wobei eine neuartige Methode des indirekt überwachten Lernens verwendet wird, die durch Referenzzusammenfassungen und Testdatensätze geleitet wird. Insgesamt zeigt der vorgeschlagene Ansatz statistisch signifikante Verbesserungen gegenüber mehreren state-of-the-art-Modellen sowohl auf dem DUC-2004- als auch auf dem Gigaword-Datensatz. Eine menschliche Bewertung der abstraktiven Fähigkeiten des Modells stützt zudem die Qualität der im Rahmen dieses Ansatzes erzeugten Zusammenfassungen.