摘要-文本排名算法

Question

使用文本排名算法进行摘要比 BERT 摘要有什么优势？ 尽管两者都可以用作提取摘要方法，但文本排名有什么特别的优势吗？

Answer 1

TextRank 实现往往是轻量级的，即使在 memory 资源有限的情况下也可以快速运行，而BERT等转换器模型往往相当大，需要大量的 memory。 虽然TinyML社区在使 DL 模型在有限资源内运行的技术方面有着出色的工作，但对于某些用例来说可能存在资源优势。

一些 TextRank 实现可以通过添加语义关系来“指导”，人们可以将其视为一种先验结构，以丰富所使用的图 - 或者在某些情况下是结合人类在环方法的手段。 与纯粹基于数据训练的监督学习模型相比，这些模型具有优势。 即便如此，DL 也有类似的努力（例如，迁移学习主题的变体），变形金刚可能会从中受益。

另一个潜在的好处是TextRank方法往往更加透明，而转换器模型在可解释性方面可能具有挑战性。 有一些工具可以提供很大帮助，但在model 偏见和公平性、数据伦理、法规遵从性等方面，这种担忧变得很重要。

根据个人经验，虽然我是流行的 TextRank开源实现之一的首席提交者，但我只将其提取摘要功能用于需要“便宜且快速”解决方案的用例。 否则，我建议考虑更复杂的摘要方法。 例如，我建议密切关注 TextRank 的作者Rada Mihalcea和她在密歇根大学的研究生正在进行的研究。

在比较“哪种文本摘要方法效果更好？”方面。 我会指出抽象摘要方面的工作，特别是John Bohannon 等人最近的工作。 ，在入门。 有关出色的示例，请查看他们的团队使用自然语言理解、知识图、抽象摘要等生成的 CV19 研究的“每日简报” 。Amy Heineike 在“解锁大量 COVID-19 论文、文章的机器，和对话” 。