摘要-文本排序算法

Question

使用文本排序算法进行摘要比使用BERT摘要有什么优点？即使这两种方法都可以作为抽取摘要的方法，但对于文本排名是否有什么特别的优势？

Answer 1

TextRank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，而转换模型(如伯特 )往往相当大，需要大量内存。虽然TinyML社区在使DL模型在有限的资源范围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。

一些TextRank实现可以通过添加语义关系来“定向”，人们可以把语义关系看作是一种先验结构，以丰富所使用的图形--或者在某些情况下是结合人工循环方法的方法。这些可以提供优势的监督学习模型，已培训纯粹的数据。尽管如此，一般DL也有类似的努力(例如，转移学习主题的变化)，变压器可能从中受益。

另一个潜在的好处是，TextRank方法往往更透明，而变压器模型在可解释性方面可能具有挑战性。有些工具非常有用，但在模型偏差和公平性、数据伦理、法规遵从性等方面，这种关注变得非常重要。

根据个人经验，虽然我是流行的TextRank 开源实现的主要提交者，但我只对需要“廉价和快速”解决方案的用例使用它的抽象摘要特性。否则，我建议考虑更复杂的总结方法。例如，我建议密切关注“TextRank，拉达Mihalcea”的作者和她在密歇根大学的研究生们正在进行的研究。

关于比较，“哪种文本摘要方法工作得更好？”，我想指出的是关于抽象摘要的工作，特别是John Bohannon，等人。最近在入门上的工作。对于优秀的例子，请查看他们的团队使用自然语言理解、知识图表、抽象摘要等生成的“每日简报” of CV19研究。