什么是NLP中的文本摘要
自動文本摘要是在保持關鍵信息內(nèi)容和整體含義的同時，生成簡潔流暢的摘要的任務。 文本摘要目前大致可以分為兩種類型：
Extractive Summarization：重要內(nèi)容、語句提取。
Abstractive Summarization：文本總結。
Extractive Summarization
由圖可以看出，這種方法提取的內(nèi)容語句來自于原文。
Abstractive Summarization
由圖可以看出，這種方法提取的內(nèi)容語句可能不存在于原文。
Seq2Seq模型
Seq2Seq模型可以處理一切連續(xù)型信息，包括情感分類，機器翻譯，命名實體識別等。 機器翻譯任務中，輸入是連續(xù)文本序列，輸出也是連續(xù)文本序列。 命名實體識別中，輸入是連續(xù)文本序列，輸出是連續(xù)的標簽信息。 所以，我們可以利用Seq2Seq模型，通過輸入一段長文本，輸出短的摘要，實現(xiàn)文本摘要功能。 下圖是典型的Seq2Seq模型架構：
通常我們可以選擇RNNs網(wǎng)絡的變體GRU或者LSTM，這是因為它們能夠通過克服梯度消失的問題來捕獲長期依賴性。
Encoder編碼器
LSTM中的Encoder讀取整個輸入序列，其中每個時間step上，都會有一個字輸入編碼器。然后，他在每個時間step上處理信息，并捕獲輸入序列中存在的上下文信息。
上一個時間step的隱藏層h1與記憶單元層c1將會用來初始化Decoder。
Decoder解碼器
Decoder是LSTM結構的另一部分。它逐字讀取整個目標序列，并以一個時間步長預測相同的序列偏移量。 解碼器可以在給定前一個單詞的情況下預測序列中的下一個單詞。解碼器的初始輸入是編碼器最后一步的結果。
在將整個目標序列放入解碼器前，還需將［start］ 與 ［end］這兩個特殊的tokens加入序列中，告知模型的開始與結束。模型通過輸入的［start］開始預測第一個詞，而［end］則表示整個句子的結束。
Deocder的工作流程
假設輸入序列為［x1，x2，x3，x4］，將其編碼成內(nèi)部固定長度的向量。 下圖顯示了每一個time step下Decoder是如何工作的。
123下一頁>（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。 ）
