AITerms 登入
自然語言處理機器學習資料處理

提取式摘要技術(Extractive Summarization)是什麼?

提取式摘要技術從原文中選擇重要句子組成摘要,簡單直接,易於實現,但可能缺乏連貫性,且無法進行語義概括。

完整定義

提取式摘要技術是一種自然語言處理技術,旨在從原始文本中選擇最重要的句子,並將它們組合在一起形成摘要。這種方法簡單直接,易於實現,但生成的摘要可能缺乏連貫性,並且無法進行語義概括,只能保留原文中的信息。

白話說明

你有沒有看過一份超長報告,只想先抓出最重要的幾句?

你可以把它想成,摘要不是自己重新寫,而是從原文裡挑句子拼成短版。

提取式摘要特別適合需要保留原文措辭的情況,像新聞、會議紀錄、法規或研究摘要。

記住這句

原文句子挑得好,就是提取式摘要。

比喻:提取式摘要技術就像剪貼簿 -- 它直接從文章裡挑選它認為最重要的句子,然後拼湊起來變成一份摘要。這樣做的好處是內容絕對真實,壞處是句子之間可能有點不連貫,讀起來像在看重點條列,而不是一篇流暢的文章。

容易混淆

提取式摘要 vs 摘要生成技術

提取式摘要直接挑原文句子。

摘要生成技術會用自己的話重寫內容。

最關鍵的區別:剪句子,還是重寫句子。

提取式摘要 vs ROUGE

提取式摘要是方法。

ROUGE 是常用來評估摘要品質的指標。

最關鍵的區別:一個是做法,一個是評分。

提取式摘要 vs 關鍵字擷取

關鍵字擷取只抓詞。

提取式摘要抓的是完整句子。

最關鍵的區別:抓詞,還是抓句。

實際案例

會議紀錄整理

先把冗長會議記錄壓縮成幾句重點,方便大家回看。

Before:整篇逐字稿太難掃。After:挑出決策、待辦和風險句。

新聞快覽

編輯要在很短時間內先抓新聞重點。

Before:只能整篇看完。After:用提取式摘要快速縮短閱讀時間。

演算法與應用

常見做法是先為每個句子打分,再依分數挑出最重要的句子。

打分方式可以用 TF-IDF、位置特徵、圖排序或機器學習模型。

它的優點是保留原意,缺點是句子之間未必連貫,還可能重複。

情境判斷

Q1(直覺題): 提取式摘要和摘要生成技術最大的不同是什麼?

提取式是選原文句子,生成式是用自己的話重寫,所以流暢度和風險都不一樣。

Q2(判斷題): 如果你要處理法規或合約,通常比較偏向哪一種摘要?

看情況,但常會偏向提取式,因為它較能保留原文措辭,避免改寫造成法律風險。

常見問題

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本