友情提示：本文共有 1676 个字，阅读大概需要 4 分钟。
全文共1903字，预计学习时长5分钟
我们的生活中有许多地方会用到概要。看书的时候，书背后的简要使我们大概了解其内容；新闻软件往往会有关于文章内容的标题；而概要对于影评来说也是特别重要的。
随着自然语言处理和机器学习等技术的出现，我们为何不用它们来生成概要而无需介入人力呢？在你决定为了即将到来的考试概括教材之前，先来了解一些重要的概念吧。
文本摘要有两类，抽取式和生成式。
抽取式摘要
抽取式摘要可被定义为精心挑选出所有重要的句子，并保持原样将其添加至摘要。
· 阅读文本，拆分成句子；
· 解析每个句子，根据某些参数识别其中更为重要的句子，将其打分；
· 选出分数更高的句子；
· 将这些句子添加至摘要。
生成式摘要
生成式摘要更像是人们平常总结一个文本的方式，理解并分析文章。
· 阅读文本；
· 分析文本和句子背后的深意；
· 选出重要主题，创造新的句子（是否运用原文词汇是不确定的）；
· 将这些这句添加至摘要。
两相比较，抽取式摘要更加简便一些，因为它不必考虑语义或词汇。本文将讨论抽取式摘要，再从头创造自己的文本摘要。
词频——逆文档频率（TF-IDF）
看到一句话，我们能轻易地确认它的内容以及试图表达的信息。但是，一台电脑无法做到。该怎么做呢？如上述所说，将句子分级，并选出级别最高的句子。谁来决定这些句子的级别？TF-IDF来决定。
词频-逆文档频率对于增添至最终摘要的句子选择来说是基础。TF-IDF的数值计算是这样的：词频-逆文档频率=术语频率×逆文档频率。
词频（TF）
词频计算的是文档中一个词语出现的次数。仅看词频得出的结果很有可能是不准确的，因为同样的单词（‘w’）在长文档中会比短文档出现更多次。但是，如果我们将其除以总字数的话，最终数据便会变得更准确，这使词频得出的数量对我们来说更有价值。
词频（w，d）=某词‘w’在文档中的出现次数/该文档的总字数‘d’
这就结束了不是吗，为什么还需要其他计算呢？如果你仔细想想，特别常见的词（如“is,am,was”）的词频值会非常高。词频本身在这种情况下会变得很多余，这个时候就需要我们的救星IDF了。
逆文档频率（IDF）
在开始IDF之前，先讨论一下文档频率（DF）。DF是指在共N个文档中包含某词‘w’的文档数量，字母D即所有文档。
文档频率（w, D）=包含单词‘w’的文档数量
然而，文档频率并不是我们关注的内容，反之才相关。逆文档频率揭晓每个术语承载了多少信息。在逆文档效率的作用结果中，常见词将会有很低的IDF值，而少见的术语会有更高优先级。我们之所以使用这个数值的算法是因为，对于大型文档而言该术语的数值会异常升高。
IDF(w, D)=log(N/(DF(w, D)+1))
用(DF+1)作分母，以避免分母为零。在某些情况下，分母为零会导致严重的错误。
TF-IDF(w,d)=TF(w,d)*log(N/(DF+1))
所有计算完成后，根据TF-IDF分数和阈值将每个文档（在此处是句子）分级，最终得出文本的摘要。那么，现在开始编码吧！
编码部分
输入库：
清扫文本：
将文本文件转为一个个句子，这将成为我们的文档。
每个句子中的单词数量：
为所有文档中的每个单词创建频率列表：
此处创建一个列表，其中存储了文档中每个单词的频率。
计算TF和IDF值：
第一个功能计算每个文档（此处指句子）中单词的词频，第二个功能计算句子中每个单词的逆文档频率。
记算TF-IDF值：
计算每个术语的TF-IDF值。
将所有文档分级：
阈值根据句子中每个单词的TF-IDF值来计算每个句子的分数。
生成摘要：
阈值是通过线性函数计算TF-IDF值的平均值得出。注意，平均值阈值可通过与标志相乘调整，以增减摘录规模。
是时候运行所有的功能啦！
确保文档是在格式为(*.txt)的一个文件中，并和Python脚本在同一个目录中。
测试：
完成啦！不过这不是总结文本的唯一方式，除此之外还有很多技巧可以完成摘要。
一次美妙旅途的结束了，笔者感受到了很多乐趣，也希望你享受一起编程、学习文本摘要的过程。
留言点赞关注
我们一起分享AI学习与发展的干货
如转载，请后台留言，遵守转载规范
本文如果对你有帮助，请点赞收藏《如何用自然语言处理与机器学习构建摘要？》，同时在此感谢原作者。
