基于句子级语义图模型摘要生成方法.pdfVIP

基于句子级语义的文本生成c

图模型

：文本是生成原始文档的浓缩版本。另一个问题是识别文档之间的关键差异，并尽

文本的主要问题包括消除冗余信息、识别可能覆盖信息丰富的内容[5]。

文档之间的主要差异以及覆盖有用的内容。本

文提出了一种基于句子级语义的图模型（

SLSGM）用于文本，该模型利用了句子的在本文中，为了解决这些问题，我们提出

语义信息。SLSGM将句子视为节点，而句子间了一种句子级语义图模型（SLSGM）用于文本

的语义关系作为边。我们通过语义分析计算句，该模型利用了句子的语义信息。

子之间的相关性值，并将其作为边的权重。然SLSGM将句子视为顶点，而句子之间的语义关

后，基于SLSGM，使用改进的传统系作为边。我们使用语义分析计算句子之间的

PageRank图排序算法考虑和外部信息对句相关性值，并将这些值作为边的权重。然后基

子进行评分。实验结果表明，该模型在文本摘于SLSGM，通过一种改进的传统PageRank图

要中的应用是可行且有效的。排序算法[6]综合考虑和外部信息来对句子

进行评分。这些实验在DUC2004数据集上进行，

结果表明该模型在不同设置下提高了基于图的

句子提取算法的效果。因此，它可以用来提高

模型的性能。实验结果表明，该模型应用于句

子提取是可行且有效的。

：基于图的模型；文本；语义分析

1引言

本文其余部分组织如下。第2节简要回顾了

文本是通过减少文档的大小同时保留当前关于文本的方法的相关工作。第3节介

主要特征来生成原始文档的浓缩版本[1]。自动绍了所句子级语义图模型，并在该节中

文本的研究始于近60年前，由Luhn首次研详细描述了基于SLSGM的文本方法。第4

究[2]，并在近年来受到了广泛关注。随着节涉及实验及相关的结果。最后，在第5节中总

文本资源的快速增长，文本已应用于多个结了本文。

领域。例如，问答系统生成基于问题的，

以问题中所询问的信息[QA]。另一个例子

是在网络搜索引擎中的搜索结果片段，这些片

2相关工作

段可以帮助用户进一步探索[3]。文章的简

短也是文本的一个应用，它可以帮助图1中的树显示了主要的方法。[7]首

读者更好地获取有关或的有用和特定先，可以分为两类：基于的和基于提

信息[4]。取的。基于的方法主要是通过压缩和重新

表述句子来生成。通过这种方式，可

以保持其原