خلاصه‌سازی خودکار

از ویکی‌پدیا، دانشنامهٔ آزاد
پرش به: ناوبری، جستجو

خلاصه‌سازی خودکار

معنی خلاصه‌سازی[ویرایش]

تعاریف فراوانی برای خلاصه سازی وجود دارد ولی آنچه ما در این تحقیق به دنبالش هستیم، بدست آوردن مهم ترین اطلاعات یک متن ورودی است، به شکلی که قابل خوانرن باشد و بتوان با خواندن آن خلاصه ای از موضوع را درک کرد.

اهمیت خلاصه سازی[ویرایش]

در دنیای امروز، حجم اطلاعات موجود بسیار زیاد است و این امر دسترسی ما به داده ها را پیچیده می کند. بنابراین لازم است روشی پیدا کنیم که دسترسی به اطلاعات مورد نظر را ساده کند. بهترین روش خلاصه کردن و سپس طبقه بندی اطلاعات است.

کاربرد های خلاصه سازی[ویرایش]

همه ما از خلاصه سازی به صورت های گوناگون استفاده می کنیم. برای نمونه می توان به موارد زیر اشاره کرد. اما کاربرد های دیگری هم وجود دارد:

  1. موتور های جستجو گر وب
  2. ارسال اخبار به صورت فشرده و کوتاه
  3. جمع بندی نتایج تحقیق و مقاله

سیستم خلاصه سازی چیست؟[ویرایش]

سیستم خلاصه سازی شامل یک کامپیوتر است که متنی را به عنوان ورودی دریافت می کند و خلاصه ی آن را به شکل خروجی تحویل می دهد.

انواع خلاصه و خلاصه سازی[ویرایش]

خلاصه ها را می توان از جهات مختلف طبقه بندی کرد:

  1. چگونگی پردازش
  2. مخاطب و متن
  3. اطلاعات ورودی
  4. سبک
  5. نوع کاربر

چگونگی پردازش خلاصه سازی[ویرایش]

Extractive & Abstractive Summarization

  • در روش extractive جملاتی از خود متن انتخاب می شوند و در خلاصه قرار می گیرند. کاری که باید انجام دهیم
  • در روش abstractive مفهوم متن ورودی درک می شود و براساس آن خلاصه ارائه می شود.ممکن است جملت و عباراتی از متن در خلاصه قرار گیرند ولی قرار نیست تمام جملات خلاصه عیناً از درون متن انتخاب شده باشند.
  • اساس کار سیستم های خودکار خلاصه سازی، روش extractive است. گرچه پیشرفت های زیادی در زمینه درک متن توسط کامپیوتر حاصل شده، ولی هنوز به جایی نرسیده ایم که یک کامپیوتر بتواند متن را تجزیه و تحلیل کند.

انواع مخاطب و متن[ویرایش]

Query & Generic Summarization

  • یک متن را با در نظر گرفتن فرض های گوناگون می توان به روش های متفاوت خلاصه کرد.
  • خلاصه Generic خلاصه ای است که در آن مخاطب را فردی عادی در نظر می گیریم و موضوع و سبک متن برای ما اهمیت ندارد.
  • خلاصه ی Query خلاصه ای است که که در ابتدا اطلاعاتی از مخاطب و موضوع متن پیدا می کنیم و سپس به خلاصه سازی می پردازیم.
  • خلاصه به دست آمده از این دو روش متفاوت خواهند بود.

انواع اطلاعات ورودی[ویرایش]

Single Doc. & Multiple Doc.

چنانچه ورودی سیستم تنها یک متن باشد، به آن Single Document گویند در غیر این صورت به آن Multi Document گفته می شود. در Multi Document متن های ورودی باید با هم اشتراک معنایی داشته باشند.

سبک متن[ویرایش]

هر کدام از سبک های روزنامه ای، علمی و سندی ساختاری متفاوت با دیگری دارند. در نتیجه در پردازش های انجام شده این تفاوت ها می بایست لحاظ شود.

نوع کاربر[ویرایش]

کاربر می تواند انسان یا کامپیوتر باشد. وقتی انسان کاربر سیستم است، متن خلاصه شده باید قابل خواندن باشد. وقتی کامپیوتر کاربر است، خوانا بودن مهم نیست ، اما تمامی اطلاعات مهم باید استخراج شوند.

تاریخچه خلاصه سازی خودکار[ویرایش]

اولین فعالیت ها در این زمینه در سال 1950 توسط فردی به نام Luhn شروع شد.اساس کار او، کلمات با بیش ترین تکرار بود. او کلمات پر تکرار را مهم تر از سایر کلمات به حساب می آورد. جملاتی که تعداد بیش تری از این کلمات را داشتند، جملاتی بودند که باید در خلاصه می آمدند. روش وی خطای زیادی دارد و خود او، بعضی از این خطاها را اصلاح کرد. برای مثال برخی افعال و حروف اضافه در تمامی متن ها به دفعات دیده می شوند ولی اطلاعات خاصی را در رابطه با عنوان مقاله در اختیار نمی‌گذارند. گرچه کار وی خطا ی زیادی داشت ، ولی به علت اینکه از پایه گذاران این روش بود، بسیار مورد ستایش قرار گرفت. عده ی زیادی کار او را ادامه دادند و روش های جدیدی ابداع شد که دقت بالاتری دارند.

از جمله افرادی که کار Luhn را ادامه داد، Edmundson بود. او مواردی مانند تعداد دفعات تکرار هر کلمه، تعداد کلماتی از جمله که در عنوان مقاله آمده، محل جمله در مقاله، تعداد کلماتی از جمله که نشان دهنده ی اهمیت هستند(مانند در نتیجه، به طور خلاصه و... ) را مورد توجه قرار داد. وی برای مشخص کردن ارزش هر جمله از ترکیب خطی موارد بالا استفاده کرد.

== منابع ==[۱][۲][۳][۴]

  1. K. Sparck Jones, “Automatic summarizing: factors and directions,” in Advances in Automatic Text Summarization, pp. 1–12, MIT Press, 1998.
  2. W. tau Yih, J. Goodman, L. Vanderwende, and H. Suzuki, “Multi-document summarization by maximizing informative content-words,” in Proceedings of the International Joint Conference on Artificial Intelligence, pp. 1776–1782,
  3. S. Tucker, N. Kyprianou, and S. Whittaker, “Time-compressing speech: ASR transcripts are an effective way to support gist extraction,” in Proceedings of the International Workshop on Machine Learning for Multimodal Interaction, pp. 226–235, 2008.
  4. J. Ulrich, G. Murray, and G. Carenini, “A publicly available annotated corpus for supervised email summarization,” in Proceedings of the AAAI EMAIL Workshop, pp. 77–87, 2008.