Python 摘要文本排序算法

与BERT摘要相比，使用文本排名算法进行摘要有哪些优点？

---

尽管这两种方法都可以用作抽取式摘要方法，但text-rank有什么特别的优势吗？

text-rank实现往往是轻量级的，即使在内存资源有限的情况下也可以快速运行，而transformer模型（如）往往相当大，需要大量内存。虽然社区在使DL模型在有限的资源内运行的技术方面做了出色的工作，但对于某些用例来说可能有资源优势

<> PTCRANK实现中的一些可以通过添加语义关系来“指导”，语义关系可以看作是先验结构以丰富所使用的图形，或者在某些情况下，将人在回路中的方法结合起来。与纯粹基于数据的监督学习模型相比，这些模型具有优势。即便如此，对于DL也有类似的努力（例如，迁移学习主题的变化），变形金刚可能从中受益

另一个潜在的好处是TextRank方法更透明，而transformer模型在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，但在模型偏差和公平性、数据道德、法规遵从性等方面，这种关注变得非常重要

根据个人经验，虽然我是一个流行的TextRank的首席提交人，但我只在需要“廉价快速”解决方案的用例中使用它的摘录摘要功能。否则，我建议考虑更复杂的总结方法。例如，我建议关注TextRank的作者和她在密歇根大学的研究生正在进行的研究

在比较“哪些文本摘要方法更有效？”时，我会指出抽象摘要方面的工作，尤其是at最近的工作。对于优秀的例子，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研究结果。Amy Heineike在中讨论了他们的方法