目标信息提取/重点提取摘要

Question

我有大量的项目手册，每一个都有大量的页面。每本手册都载有某种形式的摘要段落，尽管这些段落的结构或格式不一定各不相同。手册的其余部分通常包含大量与项目有关的各种信息，并不总是与需要提取和总结的内容相关。

从理论上讲-

paragraph 1 - Project Summary (Extract this)
paragraph 2 - Background info (ignore)
paragraph 3 - Background info (ignore)
paragraph 4 - Background info (ignore)
paragraph 5 - Project Requirements (extract this)

是否有可能有选择地针对一份文件中的段落/句子进行抽象化摘要，如果有，是否有可能用包含全文及其所需摘要的数据集来训练模型？

到目前为止，我已经尝试了一般的提取总结方法，利用TF-以色列国防军。然而，由于文件中有大量无关的信息，摘要段落中的关键文本通常被忽略。我已经考虑过在不同的关键字中手动增加字数，但我认为这仍然会忽略相关句子和短语(对所需段落/句子的二进制分类也是如此)。

这能做到吗?还有比我目前尝试的更好的方法吗？

Answer 1

您所描述的是一个受监督的问题，没有监督的系统无法猜测文档的哪一部分与您的目的相关。在此选项中，您需要用二进制类对文档示例进行注释，然后使用基于上下文的特性(例如，部件的标题)对系统进行培训。

但重要的是，这取决于您有多少文档:如果它少于几百个，半手工注释将更快，并提供更好的结果。

Answer 2

如何将文本分割成不同的段落，只根据关键词或模式选择重要段落，然后将摘要技术应用于提取出来的段落。