Abstraktive Zusammenfassung ist das ultimate Ziel der Forschung im Bereich der Dokumentzusammenfassung, wurde jedoch bisher aufgrund der noch unzureichenden Reife der Textgenerierungstechniken weniger untersucht. In letzter Zeit wurden erhebliche Fortschritte bei der abstraktiven Satzzusammenfassung mittels neuronalen Modelle erzielt. Leider befinden sich Bemühungen zur abstraktiven Dokumentzusammenfassung noch in einem anfänglichen Stadium, und die Evaluierungsergebnisse liegen auf Benchmark-Datensätzen schlechter als die von extraktiven Methoden. In diesem Paper untersuchen wir die Schwierigkeiten der neuronalen abstraktiven Dokumentzusammenfassung und stellen eine neuartige, graphbasierte Aufmerksamkeitsmechanik im Rahmen eines Sequenz-zu-Sequenz-Frameworks vor. Der Ansatz basiert auf der Intuition, die Relevanzfaktoren der Zusammenfassung zu berücksichtigen, die in früheren Arbeiten vernachlässigt wurden. Experimentelle Ergebnisse zeigen, dass unser Modell im Vergleich zu vorherigen neuronalen abstraktiven Modellen eine erhebliche Verbesserung erzielt. Zudem ist die datengetriebene neuronale abstraktive Methode mit den besten extraktiven Methoden konkurrenzfähig.