在多文档摘要任务中，准确传达相关且多样化的信息至关重要，然而现有的神经序列到序列（seq-to-seq）模型往往难以实现这一目标，其生成结果常出现冗余信息，且未能充分覆盖关键细节。针对这一问题，本文提出一种新的注意力机制，旨在增强模型对信息相关性与多样性的关注。该机制基于定义在待摘要内容单元集合上的行列式点过程（Determinantal Point Processes, DPPs）所给出的（比例）概率来计算注意力权重。DPPs在抽取式摘要中已取得成功应用，本文则将其拓展至神经抽象式摘要，用于选择既相关又多样化的文本内容。我们将基于DPP的注意力机制与多种序列到序列架构相结合，涵盖CNN、LSTM以及Transformer等模型。实验结果表明，该注意力机制在多文档摘要任务中 consistently 提升了摘要质量，在MultiNews数据集上的表现达到与当前最先进方法相当的水平。