如何解决为什么 gensim summarise() 有时会返回空白?
我是 nlp 的初学者,我第一次使用 gensim。 我注意到一些文本返回一个空白摘要。例如:
from gensim.summarization import summarize
text ="The continued digitization of most every sector of society and industry means that an ever-growing volume of data will continue to be generated. The ability to gain insights from these vast datasets is one key to addressing an enormous array of issues — from identifying and treating diseases more effectively,to fighting cyber criminals,to helping organizations operate more effectively to boost the bottom line."
summarize(text,0.6)
返回:
''
当我在其他情况下有相同大小的段落时,它会返回一个摘要,所以我知道这并不是我的比例太小。任何见解表示赞赏!
解决方法
为了回答问题,我假设 Gensim 版本为 3.8.3 - 这是(当前)支持汇总的最新版本,因为版本 4 中不再有 API 存根。
具体来说,在查看 summarize()
的参考时,我们可以阅读以下内容:
获取给定文本的摘要版本。
输出摘要将由最具代表性的句子组成,并以字符串形式返回,由换行符分隔。
突出显示的部分也解释了为什么你的输出是空的:Gensim 使用了一个提取摘要器,它只能选择不同的句子,而不是句子部分。因此,要么选择整个句子(导致没有“摘要”),要么返回空答案。解决这个问题也不是微不足道的,我认为你只有两个(次优)选择之一:
- 采用抽象的总结器。与抽取式摘要相比,抽象模型实际上可以做人类通常从系统中“期望”的事情,即重新措辞和从句子中选择短语以形成更短的输出,而不依赖于句子的选择。但是,此类模型通常需要大量计算,因此 Gensim (AFAIK) 无法提供此类模型。
- 预分块您的文本。如果你可以将你的输入句子合理地分割成几个文本块,这些可以作为“多个句子”的替代品,因此可以让你有一个大致的总结,即使它可能不是很好.
请注意,从 gensim-4.0.0
起删除先前的 Gensim 摘要代码的原因是该代码既不是很好,也不是非常适合,也没有任何活跃的项目贡献者能够维护/改进代码。
所以你不应该对它抱有太大期望——尽管你可以继续使用它,如果它对你的目的来说足够好,通过安装旧的 Gensim 或简单地将其源代码提升到另一个兼容许可的项目中。
您特别指出了它不太好的(许多)方式之一:它的“提取摘要”风格可以做的最好的事情是选择一些较少数量的现有句子,它推断出最能代表文本作为一个整体。但是只有 2 个句子,其粗略的词数计算算法基本上无法确定 2 中哪一个更好。 (基本上,没有第三句话可以打破平局。)因此,根据其文档,由于不知道要回答的句子的较小子集,它什么也没有回答。
抽取式摘要最有可能在较大的文本上产生良好的结果,因为这些文本已经以清晰的说明性风格编写 - 作者已经使用了介绍性、更深入的解释和总结性句子的组合。然后,对于算法而言,某些句子将通过字数统计与最大数量的其他句子“最相似”,因此是摘要或关键/重复点的好选择。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。