machine-learning - 基于概念的文本摘要(摘要)

Question

已结束。此问题正在寻求书籍、工具、软件库等的推荐。它不满足 Stack Overflow guidelines 。目前不接受答案。

---

我们不允许提出寻求书籍、工具、软件库等推荐的问题。您可以编辑问题，以便用事实和引文来回答。

已关闭 6 年前。

Improve this question

我正在寻找一个能够根据句子的概念或含义进行人工智能文本摘要的引擎，我查看了诸如(ginger、paraphrase、ace)之类的开源项目，但他们无法完成这项工作。他们的工作方式是尝试为每个单词找到同义词并替换为当前单词，这样他们会生成很多句子的替代词，但大多数时候含义是错误的。

我曾与斯坦福大学的引擎合作，对一篇文章进行了一些突出显示，并在此基础上提取了最重要的句子，但这仍然不是抽象，而是提取。

我正在寻找的引擎会随着时间的推移而学习，并且每次总结后结果都会得到改进，这也是有意义的。

请在此提供帮助，非常感谢您的帮助!

Answer 1

我不知道有哪个开源项目符合您对我所假设的抽象和含义的要求。

但我有一个想法如何构建这样的引擎以及如何训练它。

简而言之，我认为我们都在脑海中记住一些类似贝叶斯网络的结构，它不仅可以帮助我们对某些数据进行分类，还可以帮助我们形成关于文本或消息的抽象含义。

由于不可能从我们的头脑中提取所有抽象类别结构，我认为最好建立允许逐步重建它的机制。

摘要

所提出的解决方案的关键思想是使用更容易从自动化计算机系统中操作的方法来提取对话的含义。这将能够创造出与另一个人进行真实对话的良好幻觉。

建议的模型支持两个抽象级别:

首先，不太复杂的级别包括将单词组或单个单词识别为与类别、实例或实例属性相关的组。

实例是指真实或抽象的主体、客体、 Action 、属性或其他类型实例的一般类别的实例化。举个例子——两个或多个主体之间的具体关系:雇主和雇员之间的具体关系，具体所在的城市和国家等等。这种基本的意义识别方法使我们能够创建能够维持对话的机器人。这种能力基于对意义的基本元素的识别:类别、实例和实例属性。

第二，最复杂的方法是基于场景识别，并将它们与实例/类别一起存储到对话上下文中，并使用它们来完成一些识别的场景。

相关场景将用于完成对话的下一条消息，并且某些场景可用于生成下一条消息或通过使用条件和使用上下文中的含义元素来识别含义元素。

类似的事情:

基本分类应手动输入，并由教师将来更正/添加。

对话中句子中的单词和句子中的场景可以从上下文中填充

对话场景/类别可以通过先前识别的实例或 future 对话中描述的实例来实现(自学习)

图 1 – 单词检测/分类基本上是流视觉

图2 – 通用系统视觉大图

图3-意义元素分类

图 4 – 基本上类别结构可能是这样的