沃卡惠隨著互聯(lián)網(wǎng)上各種UGC越來越多，各種原創(chuàng)性的長文本內(nèi)容也不斷地涌現(xiàn)出來。例如，在人工智能領(lǐng)域的三大頂會之一的ICML，許多論文的長度都達(dá)到了二三十頁。因此，如何快速的從長文本中提取出有用的信息，成為困擾許多包括科研人員在內(nèi)的互聯(lián)網(wǎng)網(wǎng)民的難題。
在 2023 年結(jié)束的人工智能領(lǐng)域頂會 AAAI 2023 上，來自中國浙江大學(xué)的研究團(tuán)隊，發(fā)表了一篇題為 Document Summarization Based on Data Reconstruction 的論文。該篇論文提出了 DSDR 算法，描述了如何利用貪心算法進(jìn)行文本摘要提取的方法。
所謂的文本自動摘要問題，本質(zhì)上就是從原始的長文本中抽取一個文本的子集合，使得利用這個子集合的線性組合能盡可能的恢復(fù)出原始文本。我們按照如下方式定義文本自動摘要問題：
其中， f 是線性組合摘要句子之后的轉(zhuǎn)換函數(shù)。X 是摘要生成的句子，a 是線性組合的系數(shù)，而 v 是原始文本，也就是輸入數(shù)據(jù)。
首先，f 可以是線性組合，也就是：
因此，文本自動摘要問題轉(zhuǎn)換成為了下述問題：
上述損失函數(shù)公式，等價于下面的公式：
利用貪心算法，我們設(shè)計了如下?lián)p失函數(shù)：
整個算法的偽代碼流程如下所示：
在上面介紹的算法中，線性組合的系數(shù) a 有可能是負(fù)數(shù)，為了保證 a 非負(fù)，我們重構(gòu)了算法的損失函數(shù)：
經(jīng)過重新設(shè)計之后，算法的偽代碼如下：
通過對比實驗，我們發(fā)現(xiàn)新設(shè)計的算法，取得了優(yōu)異的實驗結(jié)果：
文本自動摘要，對于閱讀長篇幅的文本，比如博士畢業(yè)論文、咨詢報告、審計報告等內(nèi)容，非常有幫助。對于趕時間的當(dāng)代人來說，文本自動摘要無疑是隨身辦公的文書利器。希望通過本文，廣大的互聯(lián)網(wǎng)從業(yè)者能夠有所收獲。
ICP備案：鄂ICP備18031228號-2
鄂公網(wǎng)安備42280102001149
增值電信業(yè)務(wù)經(jīng)營許可證號：鄂B2-20200242
中國聯(lián)通合作伙伴：沃卡惠（湖北）通信有限公司
