摘要文本摘要及加权关键词的生成

Question

假设我有一个加权关键字/短语列表，如“太阳能电池板”、“屋顶”等。权重在0,1中，权重较高，表明对特定关键字的偏好较强，因此“太阳能电池板”的权重可能为0.3，“屋顶”的权重可能为0.2。关键字权重之和为1。

对于每一个关键字/短语，我还有一些上下文句子，这些句子也是加权的，带有积极的、消极的或中性的情感/内涵。例如，一个与“太阳能电池板”短语有关的上下文句子可能是“有利于环境”，它被贴上积极情绪的标签，重量为0.2。每个关键字的上下文句子的权重之和为1，因此所有关键字的所有上下文句子的权重之和为N，其中N是单个关键字的数目。

最后，我还在0,1中对关键字/短语进行加权连接，这些关键字/短语之和为1。例如，从“太阳能电池板”到“屋顶”的定向链接可能有0.2的权重，而从“屋顶”到“太阳能电池板”的定向链接的权重可能为0.4。

我想使用这些加权关键字，短语，上下文的情感标签句子和联系，以创造一个自然语言摘要。我意识到，我的工作与典型的文本摘要目标相反，但我相信，丰富的数据应该会使任务变得更容易一些。

我该怎么接近它？在尝试提取可以用于生成摘要文本的更基本的关键字之前，我是否应该先使用模型来总结每个上下文句子中包含的文本？我应该如何处理这些数据？是否值得采用两步的方法，即在第二模型将关键字和上下文句子概括为更丰富、更自然的语言之前，将其概括为基本语言？

如有任何指导或建议，我将不胜感激。

编辑:我对NLP非常陌生，所以我为我缺乏术语和数学形式而道歉。

Answer 1

如果你有一个很好的分数系统的数据，我会从简单的开始，因为使用像伯特这样的神经网络建立起来可能很复杂。

简单的方法是，用分数来构建一个有意义的短语，例如：“太阳能电池板”+“屋顶”+“环境友好型”=“屋顶太阳能电池板，其对环境的影响较小(低于8克/年)”。

如果有数值的话，可以使用if / this规则和一些基本方程来实现这一点。例如，对于环境影响而言，0.2相当于(1-0.2)*10 = 8g。

然后，您可以使用像Bert这样的神经网络来改进结果，但是您需要足够的数据来训练它，使用不同的输入("0.2,0.6,0.1")及其相关的输出(->“屋顶太阳能电池板，具有较低的环境影响(低于8g的碳/年)”)，而这些培训数据应该足够代表大多数常见的用例。

请参阅：https://chriskhanhtran.github.io/posts/extractive-summarization-with-bert/