自然语言处理NLP入门 -- 第十一节NLP 实战项目 3: 文本摘要

1. 为啥需要文本摘要？

还记得小时候我们要写“读后感”或“观后感”吗？看完一篇长长的文章、一本书，甚至一部电影后，老师总是要我们用几句话概括主要内容。其实，这就跟文本摘要的核心思路一样——把那些最有价值、最能代表原文核心思想的内容给“捞”出来，让别人一下子就知道“这篇文章”或“这个故事”到底讲了啥。

在现实生活里，你可能会遇到这样的场景：

新闻阅读：想快速知道今天世界发生了什么事儿，但新闻一篇好几千字，没时间细看？一键自动生成摘要，让你两三句话就知道新闻说啥。
工作汇报：老板发来长篇邮件，没空细读？让自动摘要工具抽取重点，你再补充修饰就行。
学术研究：你有一堆论文要看，每篇都是好几页甚至几十页？自动摘要能帮你快速判断这篇论文值不值得深挖。

因此，有了文本摘要，我们的效率就能大大提升，也能节省大量宝贵时间。接下来，我们来看看如何轻松实现它。

2. 文本摘要怎么做？（两大派系）

在NLP（自然语言处理）里，文本摘要主要有两种方式，想象一下这是两个“门派”：

抽取式摘要门派：
他们的招式是从原文中直接“摘取”关键词句，重新组合成摘要，读起来和原文内容很像。这就像你在商场买瓶矿泉水，直接拿起来就走，没有对它进行任何改造。
- 好处：信息失真少，几乎不会“瞎编”。
- 局限：可能读起来有点“不连贯”，句子缺少润色。
生成式摘要门派：
他们会“读懂”文章，再“用自己的话”写出一个精简、流畅的新文本。这就像把矿泉水倒进自己的保温杯，还可能加点柠檬片提升口感，最后让你喝到完全不同体验的饮品。
- 好处：内容更通顺，风格更自然。
- 局限：有时会有“想象力过度”，可能对原文做出不准确的改写。

现在，深度学习兴起后，生成式摘要特别火。因此，咱们今天聚焦用 T5、GPT 等模型来做“生成式摘要”。

3. 用 T5 模型来“写摘要”，就像找了个勤劳的小助理

3.1 T5 是啥？

T5（Text-To-Text Transfer Transformer）可以理解为一个“全能小助理”。它对绝大多数的文字处理任务都能上手，比如翻译、写摘要、问答等等，统统用“输入文本 -> 输出文本”这种形式来搞定。

优点：能帮你做各种文字任务，不用自己手动来回换工具。
如何使用：Hugging Face 库提供了预训练好的T5模型，我们拿来就能用，不用从零开始训练。

3.2 代码示例：给 T5 一个长文本，让它帮你总结

在正式开始前，你需要安装好 transformers 和 torch。

pip install transformers torch

然后，在 Python 里写几行代码，就能让 T5 接手你的文本，输出简洁摘要。示例如下：

from transformers import T5Tokenizer, T5ForConditionalGenerationmodel_name = "t5-small"  # 可换成 t5-base 或 t5-large
tokenizer = T5Tokenizer.from_pretrained(model_name)
model = T5ForConditionalGeneration.from_pretrained(model_name)text = """
人工智能（AI）是计算机科学的一个分支，致力于让机器拥有类似人类的智能，
涉及推理、规划、学习、语言理解等多种技术领域。
它在机器人、医疗、金融、教育等行业都有广泛应用。
"""
# 在句子前加上 "summarize: " 提醒 T5：老兄，这是摘要任务
input_text = "summarize: " + text# 分词并编码
encoding = tokenizer.encode_plus(input_text,max_length=512,truncation=True,return_tensors="pt"  # 返回 PyTorch 张量
)# 生成摘要
summary_ids = model.generate(encoding["input_ids"],num_beams=4,         # beam search宽度no_repeat_ngram_size=2, min_length=10, max_length=50,       # 生成的摘要长度early_stopping=True
)summary = tokenizer.decode(summary_ids[0], skip_special_tokens=True)
print("T5生成的摘要：", summary)

示例输出：

看不懂的地方说明：

num_beams=4：这是一种寻找最佳句子的策略，让模型有机会从多个候选里选出相对高质量的摘要。
max_length=50：输出摘要的上限字数，别太长，否则就没“摘要”意味了。
skip_special_tokens=True：去掉模型在生成时出现的特殊标记（比如 <pad>, <sep> 等）。

运行完，你就能得到一段简短的摘要。虽然它可能没有你自己写的那么“贴心”，但作为一款自动化工具，已经很够用了。

4. 用 OpenAI API 做摘要，像雇了个超级写手

4.1 为什么用 OpenAI？

你不想做模型部署？不想配环境？没问题。只需要一个 API Key，就能让 GPT 系列（GPT-3.5、GPT-4 等）帮你写摘要。
GPT 对中文和很多语言都擅长，能写得像模像样。

4.2 给 OpenAI API 发消息，让它生成摘要

第一步，先安装 openai：

pip install openai

然后写一点点 Python 代码，就能把文本交给 GPT，让它帮你写一段简洁的摘要：

import openaiopenai.api_key = "你的OPENAI_API_KEY"def generate_summary(text):prompt = f"请用简洁生动的语言概括以下文本：\n{text}\n摘要："response = openai.chat.completions.create(model = "gpt-4",messages = [{"role": "user", "content": prompt}],max_tokens = 50,temperature = 0.7)return response.choices[0].message.contentlong_text = """
自然语言处理是一门让计算机能理解和生成自然语言（如中文、英语）的方法，
包括分词、文本分类、情感分析、机器翻译等。在人工智能大潮下，NLP 正日渐火热。
"""print(generate_summary(long_text))

示例输出：

自然语言处理是一种使计算机理解和产生自然语言的技术，包括分词、文本分类、情感分析和机器翻译等

prompt：给 GPT 的“指令”。像跟人聊天一样，对它说“请概括下面的文本”。
temperature=0.7：控制文字生成的“创造力”，数字越高，生成越有个性；数字低，生成越稳当。

只要联网并且 Key 没失效，运行后 GPT 会迅速给你一个简洁的概括。是不是感觉像给你配了个“写手助理”？

5. 常见困难：模型也会“卡壳”？

摘要不够准确：生成式模型（尤其是 GPT）有时“脑补”过头，可能添加原文没有的内容。所以使用后要做一下人工核对。
文本太长：T5 或 GPT 都有输入长度限制，字数太多时得分段处理，然后把分段的摘要再合并总结。

6. 小练习，动动手更牢固

调参试验：试着改变 T5 的 num_beams、max_length 等参数，看看最终摘要风格有什么不同。
多段合并：如果输入段落很多，先给每段做摘要，再汇总这些摘要形成二次摘要。
事实校验：选一篇有数字、时间等细节的新闻，让 GPT 做摘要，对比是否和原文对得上。
多语言尝试：如果手头有英文或其他语言文章，看看 T5 或 GPT 会不会“翻车”？
比较抽取式和生成式：用一些抽取式工具（例如 gensim.summarization.summarize）跟 T5 或 GPT 做对比，体会两者区别。