【发布时间】：2020-10-25 03:04:03
【问题描述】：
使用文本排名算法进行摘要比 BERT 摘要有什么优势？ 即使两者都可以用作提取摘要方法，但文本排名有什么特别的优势吗？
【问题讨论】：
标签： python machine-learning nlp bert-language-model
【发布时间】：2020-10-25 03:04:03
【问题描述】：
TextRank 实现往往是轻量级的，即使在内存资源有限的情况下也能快速运行，而像 BERT 这样的转换器模型往往相当大，需要大量内存。尽管TinyML 社区在使 DL 模型在有限资源内运行的技术方面有着出色的工作，但对于某些用例来说可能具有资源优势。
一些 TextRank 实现可以通过添加语义关系来“指导”，人们可以将其视为一种先验结构来丰富所使用的图——或者在某些情况下是结合人类在循环中的方法 接近。与纯粹基于数据训练的监督学习模型相比，这些模型具有优势。即便如此，DL 也有类似的努力（例如，迁移学习主题的变体），Transformer 可能会从中受益。
另一个潜在的好处是 TextRank 方法往往更加透明，而转换器模型在可解释性方面可能具有挑战性。有一些工具可以提供很大帮助，但在模型偏差和公平、数据伦理、监管合规等背景下，这种担忧变得很重要开。
根据个人经验，虽然我是流行的 TextRank open source implementations 之一的首席提交者，但我只将其提取摘要功能用于“便宜且快速”解决方案的用例是需要的。否则，我建议考虑更复杂的摘要方法。例如，我建议密切关注 TextRank 的作者 Rada Mihalcea 和她在密歇根大学的研究生正在进行的研究。
在比较“哪种文本摘要方法效果更好？”我会指出抽象摘要的工作，特别是John Bohannon, et al.最近的工作，在@ 987654326@。有关优秀示例，请查看他们的团队使用自然语言理解、知识图谱、抽象摘要等生成的 CV19 研究的"Daily Briefings"。Amy Heineike 在"Machines for unlocking the deluge of COVID-19 papers, articles, and conversations" 中讨论了他们的方法。
【讨论】：