文本摘要

摘要： 在自然语言处理领域是最重要的研究工作之一,并随着深度学习的兴起成为研究热点,而中文长文本的摘要抽取面临更大的挑战,存在长文本-摘要语料库不足、摘要抽取信息不准确、目标摘要冗余、摘要句缺失等问题.本文以中文长文本的摘要抽取为研究对象,提出一种BETES方法,基于规则和人工辅助筛选构建中文长文本-摘要语料库;利用Bert预处理模型进行文本向量化,更好地捕捉长文本上下文的语义,提升信息抽取的准确性;在识别中文长文本的基本篇章单元的基础上,以基本篇章单元为抽取对象,降低摘要抽取的冗余度;最后利用Transformer神经网络抽取模型,实现基本篇章单元的抽取,提升摘要句抽取的准确率.实验证明,提出的BETES方法在中文长文本的抽取式摘要过程中提高了准确性,降低了冗余度,并且ROUGE分数优于主流的摘要抽取方法.

摘要： 针对传统引入注意力机制的Encoder-Decoder模型在摘要生成任务上存在文字冗余、表述不一致、非登录词(out of vocabulary,OOV)等问题,而导致生成摘要准确性较差,对可嵌入文本位置信息的Transformer模型进行了改进。提出引入指针网络帮助解码,利用指针网络生成文本的优势生成摘要,并在LCSTS中文短文本摘要数据集上验证了该模型的有效性。结果表明:改进后的Transformer模型在ROUGE评分上比基准模型平均高出2分,在保证摘要与输入文本一致性的同时,其生成内容的显著性和语言的流畅性提升明显。

摘要： 大数据时代,如何缓减信息过载问题,是人工智能领域研究的热点和难点之一。其中,文本“降维”的摘要生成便是其中一个重要的方法,旨在将文本或文本集合转换为包含关键信息的简短摘要。近年来预训练语言模型提高了许多自然语言处理任务的性能,包括文本摘要、情感分析、问答、自然语言推理、命名实体识别和文本相似性等。梳理近几年基于预训练的文本摘要方法,并对文本摘要的数据集以及评价方法进行了整理,最后讨论了文本摘要面临的挑战与发展趋势。

摘要： 的一个迫切需要解决的问题是如何准确地概括文本的核心内容。目前文本摘要的主要方法是使用编码器-解码器架构,在解码过程中利用软注意力获取所需的上下文语义信息。但是,由于编码器有时候会编码过多的信息,所以生成的摘要不一定会概括源文本的核心内容。为此,该文提出一种基于双注意指针网络的文本摘要模型。首先,该模型使用了双注意指针融合网络,其中自注意机制从编码器中收集关键信息,软注意和指针网络通过上下文信息生成更连贯的核心内容。两者融合能够生成具有总结性和连贯性的摘要。其次,采用改进后的覆盖率机制来处理重复问题,提高生成摘要的准确性。同时,结合计划采样和强化学习产生新的训练方法来优化模型。在CNN/Daily Mail数据集和LCSTS数据集上的实验表明,该模型达到了当前主流模型的效果。实验结果分析表明,该模型在总结性方面具有良好的表现,同时减少了重复的出现。

摘要： 自动文本摘要是自然语言处理中的一个关键任务,高质量的数据集能有效推动摘要的研究。深度学习算法模型在中英开源数据集上都取得了显著的成绩,甚至超过了人类的表现。然而,公开的、高质量的大规模摘要数据集仍然非常稀少,且不容易人工构建。目前在藏文文本摘要任务中,由于公开数据集较少,藏文文本摘要任务还处于起步阶段。为了推动藏文信息化发展,本文人工构建了一个小型藏文多文本摘要数据集Ti-SUM,由1000篇真实藏文新闻组成,每一篇新闻都给出了简短的摘要。此外我们还针对每篇新闻构建了超过3500个文章关键词,用以辅助文本摘要任务。

摘要： 文本摘要旨在对冗长的文本进行简短精确的总结,同时保留文本的原始语义。该文提出一种融合义原的中文摘要生成方法(Add Sememe-Pointer Model,ASPM),以词为单位在LCSTS数据集上进行实验。算法利用基于Seq2Seq的指针网络模型以解决由于词汇表规模导致的未登录词问题。考虑到中文一词多义现象较多,只通过指针网络模型难以很好地理解文本语义,导致生成的摘要可读性不高。方法引入了义原知识库,训练多义词的词向量表示,准确地捕捉一个词在上下文的具体含义,并对LCSTS中的一些多义词进行义原标注,以使算法能更好地获取数据集中词语的语义信息。实验结果表明,该文提出的融合义原的中文摘要生成方法可以得到更高的ROUGE分数,使生成的摘要更加具有可读性。

摘要： 近年来出土的秦简牍材料,为研究战国晚期至秦代的历史提供了丰富而可靠的资源。文章以目前已经校读出版的里耶秦简一、二卷为语料来源,通过特征词提取、词频统计、文本摘要及主题模型等文本挖掘技术,从词频、事件、主题三个维度对简牍内容进行挖掘与分析。实验表明,一、二卷中主要为官府文书,内容涉及文书邮传、债务、粮食、徒簿、案件、刑徒管理等内容,能够较好地反映里耶一、二卷的大体内容,并且与校释第一卷中给出的主题内容大体一致。为简牍材料的研究提供了新思路,证实了可借助文本挖掘方法来理解、诠释中国丰富的文化遗产。

摘要： 信息时代的情报收集突破了传统情报收集方法的限制,广泛的来源导致其数据量超过了人工处理的极限。针对动向情报这类专业性强的多主题长文本,本文提出了一种基于主题聚类的自动摘要方法,即利用知识图谱蕴含的知识和语义关联关系来增强句向量包含的语义信息并进行聚类,再基于主题特征对聚类结果进行优化,最后计算每个主题中句子之间的相似度,并选取每个主题中最具代表性的句子组成摘要。这项工作具有两大显著优势,一是聚类效果更好;二是在不降低准确率的前提下,运行速度更快。

摘要： 随着互联网产生的文本数据越来越多,文本信息过载问题日益严重,对各类文本进行一个“降维”处理显得非常必要,文本摘要便是其中一个重要的手段,也是人工智能领域研究的热点和难点之一。文本摘要旨在将文本或文本集合转换为包含关键信息的简短摘要。近年来语言模型的预处理提高了许多自然语言处理任务的技术水平,包括情感分析、问答、自然语言推理、命名实体识别和文本相似性、文本摘要。本文梳理文本摘要以往的经典方法和近几年的基于预训练的文本摘要方法,并对文本摘要的数据集以及评价方法进行整理,最后总结文本摘要目前面临的挑战与发展趋势。

摘要： 移动互联网时代,微信公众号凭借庞大的用户群体成为人们获取资讯的重要途径之一。本文首先对微信公众号文本摘要的意义进行阐释,通过分析微信公众号发布文章的特点,结合文本自动摘要方法的研究现状,最后提出微信公众号文本自动摘要实现的方法思路和过程。为微信公众平台知识组织及提供知识服务相关研究提供参考和依据。

摘要： 文本摘要和关键词抽取是自然语言处理领域的两个重要研究课题,它们均以生成描述文本主旨内容的精简信息为目标.尽管这两个任务目标相似,但它们通常被作为两个独立的问题分别研究,而较少考虑其彼此间的自然关联性.尽管已有学者提出了基于图模型的协同抽取方法,该方法同时考虑了句子与句子、词与词、句子与词之间的各种关系,以迭代强化的方式同时生成文本摘要和关键词,但现有模型大多仅限于表达句子与词之间的各种二元关系,而忽视了不同文本单元间潜在的若干重要的高阶关系.鉴于此,本文提出了一种新的基于超图的协同抽取方法.该方法以句子作为超边,以词作为结点构建超图,在一个统一的超图模型下同时利用句子与词之间的高阶信息来生成摘要和关键词.在NLPCC2015面向微博的新闻文本摘要任务数据集上的实验结果验证了本文所提方法的可行性和有效性.

摘要： 文本摘要是对文本内容进行的概括,在文本检索中发挥着重要的作用。本文对文本摘要技术进行探讨,并以哈萨克文文本为例,对哈萨克文文本进行自动文本摘要技术进行研究。

摘要： 抽取式摘要是从正文中按照一定策略抽取重要句子组成摘要.本文提出了一种句子抽取方法.基本思想是将句子的抽取看作序列标注问题,采用条件随机场模型对句子进行二类标注,根据标注结果抽出句子以生成摘要.由于不在摘要中的句子的数量远大于摘要中的句子数,标注过程倾向于拒绝将句子标注为摘要句,针对此问题本文引入了修正因子进行修正.实验表明该方法具有较好的效果.

摘要： 本发明公开了一种基于改进的选择机制和LSTM变体的文本摘要模型及自动文本摘要方法，本发明在基于注意力机制的编码器‑解码器模型基础上，提出基于信息增益的选择机制和基于拷贝的LSTM变体。一方面，在编码器和解码器之间增加改进的选择机制，判断原文本中的关键信息，并将概要信息提炼出来，提高了自动文本摘要的概括能力；另一方面，以LSTM变体作为解码器端循环神经网络的循环单元，可以优化解码过程，提高解码效率，减少生成摘要中的重复问题从而提高生成摘要的可读性。

摘要： 本申请提供了一种提醒生成文本摘要的方法、生成文本摘要的方法及装置，该方案根据用户在阅读内容页面时的交互操作预测用户是否有使用文本摘要功能的需求，在确认用户有使用文本摘要功能的需求时，展示是否开启文本摘要功能的提示信息，从而实现了根据用户的实际需求推荐文本摘要功能，无需用户手动控制文本摘要功能的开关，因此降低了用户操作复杂度，同时，提高了用户的阅读体验。

摘要： 本发明公开了一种文本摘要模型生成方法及文本摘要识别方法，通过将各时刻的解码单词和对应时刻的解码词性以及对应时刻的解码成分输入到全连接神经网络中得到预测单词、预测词性和预测成分，并构建目标损失函数；然后根据自动文摘评测函数ROUGE‑1对预测摘要和摘要标签进行计算，构建摘要损失函数；最后基于摘要损失函数和目标损失函数计算得到模型损失函数，并通过模型损失函数对全连接神经网络中的权值和偏重进行调整，得到文本摘要模型，以使提取到的文本摘要不仅保留了源文本的重要信息，同时也提升了生成文本的语法的正确性和连贯性。

摘要： 本发明公开了一种基于改进的选择机制和LSTM变体的文本摘要模型及自动文本摘要方法，本发明在基于注意力机制的编码器‑解码器模型基础上，提出基于信息增益的选择机制和基于拷贝的LSTM变体。一方面，在编码器和解码器之间增加改进的选择机制，判断原文本中的关键信息，并将概要信息提炼出来，提高了自动文本摘要的概括能力；另一方面，以LSTM变体作为解码器端循环神经网络的循环单元，可以优化解码过程，提高解码效率，减少生成摘要中的重复问题从而提高生成摘要的可读性。

摘要： 本申请属于计算机技术领域，具体涉及一种摘要提取模型的训练方法、文本摘要生成方法及相关设备。本发明实施例可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景。该方法包括：获取对摘要提取模型进行训练的第一损失函数；根据编码器的训练参数周期性地更新辅助编码器的训练参数；计算文本样本的文本编码与对应的摘要样本的摘要编码的第一相似度，计算文本样本的文本编码与其他摘要样本的摘要编码的第二相似度，并根据第一相似度和第二相似度确定第二损失函数；通过第一损失函数和第二损失函数共同对摘要提取模型进行训练。基于本申请能够提升摘要提取模型的文本摘要生成准确性，使得生成的文本摘要与原始的待处理文本的语义更为贴合。

摘要： 本发明涉及一种联合抽象程度判别和摘要优化的文本摘要生成系统，属于自然语言处理技术领域；包括抽象程度判别器、摘要抽取器和选择器；其中，抽象程度判别器用于根据待摘要文本的分词序列，预测得到待摘要文本的抽象程度标签；摘要抽取器用于基于待摘要文本的分句序列,预测得到待摘要文本中每个句子的抽取概率；选择器用于根据文本的抽象程度标签设置文本中句子的抽取概率阈值，并根据抽取概率和抽取概率阈值的比较结果进行摘要抽取，得到待摘要文本的摘要。本发明解决了现有的文本摘要生成系统在生成摘要时没有考虑文本的抽象程度，无差别地进行摘要抽取或生成，导致生成的摘要准确率差、效率低的问题。

摘要： 本发明属于人工智能、自然语言处理领域，提出了一种基于句子级、摘要级得分的抽取文本摘要方法。使用改进的传统经典相关算法，在考虑了句子本身特征的基础上，进一步考虑了句子组合间与文本的语义关系。本发明方法在句子层面使用改进的TextRank来抽取既能较好覆盖全文信息全且具有摘要句子特征的候选句子，将候选句子自由组合，在摘要层面捕捉句子组合间与文本语义关系，使用基于LDA与MMR算法进行计算，抽取句子组合语义信息与文本最相似且句子组合间冗余度最小的句子组合为目标摘要，使得目标摘要能更全面概括文本信息。

摘要： 一种基于用户评论文本特征的自动摘要方法及其自动摘要系统，该方法包括以下步骤：爬取并解析用户评论网页，并对用户评论进行一系列预处理；从用户评论中识别出被用户评价的特征；将用户评论句按其评价的特征进行分类，并根据评论句分类的结果过滤特征；以及计算评论句的得分，抽取若干文摘句生成摘要。本发明能够从大量用户评论中准确地识别用户关注的特征，根据评论的特征进行评论句分类，然后使用基于句子抽取的文本摘要方法自动生成简洁、全面的摘要，从而帮助用户显著提高获取知识的效率和质量；本发明应用于电子商务领域能够缩短用户挑选商品的时间，提高购物效率，改善购物体验。

摘要： 公开了一种文本处理方法，该方法包括：获取内容文本；获取至少一个第一关键字；生成不包含所述至少一个第一关键字的所述内容文本的文本摘要。其中，生成不包含所述至少一个第一关键字的所述内容文本的文本摘要包括：基于所述内容文本生成所述内容文本的初始摘要；以及基于所述初始摘要生成不包含所述至少一个第一关键字的文本摘要。

摘要： 本发明提出了一种基于关键信息指导面向微博文本的生成式自动文本摘要方法，首先需要将微博文本进行清洗，去除其中冗余信息和其他非关键信息；然后通过关键信息提取模块，得到微博文本中的关键词和关键短语；之后针对该任务设计专用的深度学习神经网络并使用公开数据集训练模型；最后将处理好的微博文本和关键信息作为输入，使用关键信息进行指导摘要生成，得到最终的摘要结果；本发明的目的是为了改进根据微博文本生成摘要的精度，进一步提高舆情分析系统在针对微博文本进行分析时内容检索的准确性，更为简要、准确地覆盖微博文本的主要信息，节省人工阅读全文的时间。