La actual popularización de la resumición abstractiva se basa en un marco de codificador-decodificador atencional. Según la arquitectura, el decodificador genera un resumen de acuerdo con el texto completo, lo que a menudo resulta en que el decodificador se vea interferido por información irrelevante, causando así que los resúmenes generados sufran de baja saliencia. Además, hemos observado el proceso de las personas al escribir resúmenes y encontramos que escriben un resumen basado en la información necesaria en lugar de en el texto completo. Por lo tanto, con el fin de mejorar la saliencia de la resumición abstractiva, proponemos un modelo de extracción de información atenta. Este consiste en una unidad de puerta de perceptrón multicapa (MLP) que presta más atención a la información importante del texto fuente y un módulo de similitud para fomentar una alta similitud entre el resumen de referencia y la información importante. Antes del decodificador de resúmenes, el MLP y el módulo de similitud trabajan juntos para extraer la información importante para el decodificador, obteniendo así el esqueleto del texto fuente. Esto reduce efectivamente la interferencia de información irrelevante al decodificador, mejorando así la saliencia del resumen. Nuestro modelo propuesto fue probado en los conjuntos de datos CNN/Daily Mail y DUC-2004, logrando un puntaje f de 42.01 en ROUGE-1 y un recall de 33.94 en ROUGE-1, respectivamente. El resultado supera al modelo abstractivo de última generación en el mismo conjunto de datos. Además, mediante una evaluación subjetiva por parte de humanos, la saliencia de los resúmenes generados se mejoró aún más.