隨著數(shù)字信息的爆炸式增長,文本摘要生成技術(shù)已經(jīng)滲透到我們生活的每一個角落,當我們打開頭條或者騰訊新聞app的時候,經(jīng)常會看到這樣的標題:“BAT領(lǐng)先,市值8000億……”,“今年,中國將完成8項重大任務(wù)”,“下飛機!飛機要爆炸了!飛機已緊急迫降俄羅斯”等。當我們看一眼這些標題,我們就可以很容易的了解到新聞的內(nèi)容,不需要打開新聞然后逐行逐字閱讀。此外,自動文本摘要的應(yīng)用場景很多,如新聞標題生成,科學文檔摘要生成,搜索結(jié)果段生成,產(chǎn)品評論摘要等。在互聯(lián)網(wǎng)信息爆炸的時代,如果能用簡短的文字來+表達信息的主要內(nèi)容,這無疑將有助于緩解信息過載的問題。文本摘要生成的主流技術(shù)包括壓縮式,抽取式和生成式三種方法。其中壓縮式摘要是通過抽取并簡化原文中的重要句子構(gòu)成摘要;抽取式摘要是通過直接從原文中抽取已有的句子組成摘要;生成式摘要則是通過改寫或重新組織原文內(nèi)容形成最終的摘要�？梢妷嚎s式和抽取式比較相近,而生成式摘要更符合人類的邏輯思維。傳統(tǒng)的文本摘要生成方法主要集中于抽取式文本摘要-生成,如TextRank和PageRank。這些方法可以利用BM25,TF-IDF算法計算詞頻或語義相似度來生成摘要。所有...

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【文章目錄】：
Acknowledgements
Abstract
Chapter1 Introduction
    1.1 Definition of Text Summarization
    1.2 Why We Need Text Summarization
    1.3 Mainstream Methods for Text Summarization
        1.3.1 Extractive Summarization
        1.3.2 Compressive Summarization
        1.3.3 Abstractive Summarization
    1.4 Related Work
    1.5 Challenges
Chapter2 Basic Techniques
    2.1 TextRank
    2.2 Sequence to Sequence
    2.3 The Evaluation Methods
Chapter3 Improved Attentional Seq2seq with Policy Gradient for Text Summarization
    3.1 Word Embedding
    3.2 Add Drop Out in LSTM Cells of Encoder
    3.3 Use Soft Attention Mechanism in Decoder
    3.4 Mini-Batch Gradient Descent
    3.5 Use Beam Search Algorithm to Generate the Summary
    3.6 Add the Policy Gradient in Attentional Seq2seq Model
    3.7 Use Scheduled Sampling in Decoder
Chapter4 Experiments
    4.1 Experimental Environment
    4.2 Experimental Design
    4.3 Dataset
        4.3.1 Data Visualization
        4.3.2 Data Preprocessing
    4.4 Analysis the Mini-batch Gradient Descent Method
    4.5 Parameter Setting
    4.6 Results
Chapter5 Conclusion and Future Work
    5.1 Conclusion
    5.2 Future Work
References
Appendix A
    摘要



本文編號：3788653