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行文本摘要提取的方法。論文下載地址在這里：??Document Summarization Based on Data Reconstruction (nju.edu.cn)??。下面我們介紹一下他們的方法。

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 有可能是負數(shù)，為了保證 a 非負，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。

作者介紹

汪昊，前 Funplus 人工智能實驗室負責人。曾在 ThoughtWorks, 豆瓣，百度，新浪，網(wǎng)易等公司有超過 13 年的技術(shù)研發(fā)和技術(shù)高管經(jīng)驗。先后在科技公司上線過 10 余款成功的商業(yè)產(chǎn)品。擔任過創(chuàng)業(yè)公司的 CTO和技術(shù)副總裁。精通數(shù)據(jù)挖掘、計算機圖形學(xué)和數(shù)字博物館領(lǐng)域的技術(shù)、技術(shù)管理和技術(shù)變現(xiàn)等內(nèi)容。在國際學(xué)術(shù)會議和期刊如  IEEE TVCG 和  IEEE / ACM ASONAM 上發(fā)表論文 39 篇，獲得最佳論文獎 1 次（IEEE SMI 2008）和最佳論文報告獎 4 次（ICBDT 2020 / IEEE ICISCAE 2021 / AIBT 2023 / ICSIM 2024）。