本發(fā)明涉及文本提取的技術(shù)領(lǐng)域，具體涉及一種基于算法的文本摘要自動(dòng)提取方法與系統(tǒng)。

背景技術(shù)：

基于機(jī)器學(xué)習(xí)的文本摘要自動(dòng)抽取是近年來(lái)文本挖掘研究領(lǐng)域的一個(gè)熱點(diǎn)，在搜索引擎、門戶網(wǎng)站、移動(dòng)互聯(lián)網(wǎng)、信息檢索系統(tǒng)等領(lǐng)域有著非常廣闊的應(yīng)用前景。利用計(jì)算機(jī)技術(shù)實(shí)現(xiàn)文本摘要的自動(dòng)提取可以有效地挖掘和濃縮文本信息，減少用戶的閱讀時(shí)間，提升用戶體驗(yàn)。

早期對(duì)文本摘要的自動(dòng)提取主要采用基于規(guī)則或基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的方式。近年來(lái)，許多研究人員開始利用各種機(jī)器學(xué)習(xí)算法來(lái)研究高文本摘要自動(dòng)提取，例如回歸模型(包括線性回歸或elm回歸等)、lda(latentdirichletallocation)模型、支持向量機(jī)svm、lexrank算法，并結(jié)合語(yǔ)言學(xué)的一些相關(guān)研究成果進(jìn)一步提高摘要提取的效果，如篇章結(jié)構(gòu)、詞語(yǔ)權(quán)重、關(guān)鍵詞、主題模型等。由于線性回歸、elm回歸和lda等均為有監(jiān)督的學(xué)習(xí)方法，因此容易受訓(xùn)練樣本的影響，從而造成領(lǐng)域通用性較差，不適合用于海量文本的摘要提取。2004年mihalcea和tarau在google公司pagerank算法的基礎(chǔ)上結(jié)合他們對(duì)自動(dòng)摘要提取的研究，提出了無(wú)監(jiān)督學(xué)習(xí)算法textrank，其本質(zhì)是根據(jù)句子間的相似關(guān)系來(lái)構(gòu)建textrank網(wǎng)絡(luò)圖，并將句子間的相似關(guān)系看成是一種推薦或投票關(guān)系。一些研究人員在mihalcea和tarau的工作基礎(chǔ)上，將textrank應(yīng)用于信息檢索、關(guān)鍵詞提取等方面，并取得了較好的效果。但這些工作中對(duì)文本的表示主要采用基于詞袋(bag-of-word)的方式，即one-of-v(其中v為詞典的大小)，并且主要根據(jù)單詞之間的共現(xiàn)信息，而忽略了單詞的順序及其語(yǔ)義。例如，無(wú)法表達(dá)詞與詞之間的相似度(任何兩個(gè)不同詞語(yǔ)的向量?jī)?nèi)積均為0)，而且容易導(dǎo)致詞語(yǔ)向量的維度過(guò)大。

中國(guó)專利申請(qǐng)cn104216875a公開了基于非監(jiān)督關(guān)鍵二元詞串提取的微博文本自動(dòng)摘要方法，包括：微博預(yù)處理；二元詞串標(biāo)準(zhǔn)化；基于混合tf-idf、textrank和lda的關(guān)鍵二元詞串提?。换诮患嗨贫群突バ畔⒉呗缘木渥优判?；基于相似度閾值的摘要句抽取；以及合理組合摘要句以生成摘要。該專利申請(qǐng)仍然囿于傳統(tǒng)自動(dòng)提取文本摘要的思維框架，不能解決維數(shù)災(zāi)難等問(wèn)題。

另一中國(guó)專利申請(qǐng)cn200710130576.x公開了一種數(shù)據(jù)處理裝置，包括：第一無(wú)監(jiān)督學(xué)習(xí)處理單元、第二無(wú)監(jiān)督學(xué)習(xí)處理單元和有監(jiān)督學(xué)習(xí)處理單元。所述第一無(wú)監(jiān)督學(xué)習(xí)處理單元根據(jù)無(wú)監(jiān)督學(xué)習(xí)將第一數(shù)據(jù)組的數(shù)據(jù)分類，以便執(zhí)行所述第一數(shù)據(jù)組的維度縮減，從而獲得第一分類數(shù)據(jù)組。所述第二無(wú)監(jiān)督學(xué)習(xí)處理單元根據(jù)無(wú)監(jiān)督學(xué)習(xí)將第二數(shù)據(jù)組的數(shù)據(jù)分類，以便執(zhí)行所述第二數(shù)據(jù)組的維度縮減，從而獲得第二分類數(shù)據(jù)組。所述有監(jiān)督學(xué)習(xí)處理單元利用所述第一無(wú)監(jiān)督學(xué)習(xí)處理單元獲得的第一分類數(shù)據(jù)組和所述第二無(wú)監(jiān)督學(xué)習(xí)處理單元獲得的第二分類數(shù)據(jù)組作為教師數(shù)據(jù)執(zhí)行有監(jiān)督學(xué)習(xí)，以便確定所述第一分類數(shù)據(jù)組和所述第二分類數(shù)據(jù)組之間的映射關(guān)系。該專利申請(qǐng)可縮減數(shù)據(jù)維度，但目前尚無(wú)能有效應(yīng)用于文本摘要自動(dòng)提取的方法或系統(tǒng)。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明的目的旨在提供一種基于算法的文本摘要自動(dòng)提取方法與系統(tǒng)，將doc2vec和textrank算法結(jié)合應(yīng)用于文本摘要自動(dòng)提取中，提高文本摘要自動(dòng)提取的準(zhǔn)確度。

為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于算法的文本摘要自動(dòng)提取方法，包含有以下步驟：

s1、對(duì)文本進(jìn)行預(yù)處理，預(yù)處理的內(nèi)容包括對(duì)文本進(jìn)行分段、分句和分詞，還包括提取文本的篇章結(jié)構(gòu)信息；

s2、對(duì)完成預(yù)處理的文本進(jìn)行特征提取，提取特征的內(nèi)容具體為：通過(guò)doc2vec算法及其相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)每個(gè)句子中各個(gè)詞的詞向量及段落向量，使得每個(gè)句子對(duì)應(yīng)于一個(gè)指定維度、且連續(xù)稠密的實(shí)數(shù)段落詞向量，將該實(shí)數(shù)段落詞向量作為句子的特征表示；

s3、完成特征提取后，采用現(xiàn)有的相似度計(jì)算方法對(duì)文本內(nèi)句子間的相似度進(jìn)行計(jì)算，計(jì)算過(guò)程中結(jié)合文本的篇章結(jié)構(gòu)及句子的位置進(jìn)行加權(quán)處理，完成結(jié)合了加權(quán)處理的相似度計(jì)算后得到文本的句子相似度矩陣；

s4、根據(jù)句子相似度矩陣，以文本中的各句子為節(jié)點(diǎn)、以句子間的相似關(guān)系為邊、以句子間的相似度為邊的權(quán)值構(gòu)造無(wú)向加權(quán)textrank網(wǎng)絡(luò)圖；通過(guò)迭代計(jì)算至收斂，得到包含權(quán)重值的各個(gè)節(jié)點(diǎn)；

s5、結(jié)合設(shè)定的摘要篇幅參數(shù)，根據(jù)對(duì)應(yīng)于各個(gè)節(jié)點(diǎn)的句子的權(quán)重值、文本的篇章結(jié)構(gòu)及句子的位置信息選擇核心句子，根據(jù)核心句子出現(xiàn)的先后順序進(jìn)行排序后作為文本摘要的提取結(jié)果進(jìn)行輸出，其中的摘要篇幅參數(shù)包括摘要字?jǐn)?shù)、摘要句子數(shù)量以及摘要句子占文章句子總數(shù)的比例。

進(jìn)一步地，s3中，計(jì)算相似度時(shí)進(jìn)行加權(quán)處理的原則為：1)當(dāng)句子與文本標(biāo)題一致時(shí)，將該句子的相似度計(jì)算結(jié)果乘以2作為加權(quán)的結(jié)果；2)當(dāng)句子與文本標(biāo)題的相似度計(jì)算結(jié)果為0時(shí)，不對(duì)該句子的相似度計(jì)算結(jié)果進(jìn)行加權(quán)；3)當(dāng)句子與文本標(biāo)題的相似度計(jì)算結(jié)果介于前面兩種情況之間時(shí)，采用以下式子對(duì)句子的相似度進(jìn)行加權(quán)：

其中，p0h'和pih'分別表示標(biāo)題句子及第i個(gè)句子長(zhǎng)度為h’的特征向量，sim表示兩個(gè)句子的特征向量的向量積計(jì)算結(jié)果；

4)對(duì)于文本中位于首段和末段的句子，根據(jù)正序和反序位置進(jìn)行加權(quán)，加權(quán)系數(shù)的計(jì)算公式為：

其中，e1和e2均為大于0小于1的設(shè)定閥值，s和r為首段和末段的句子數(shù)量；5)對(duì)于關(guān)鍵句子的權(quán)重放大1.1倍，關(guān)鍵句子為字?jǐn)?shù)大于設(shè)定值、并且直接構(gòu)成一個(gè)段落的句子；6)對(duì)于經(jīng)預(yù)處理為空的句子，不進(jìn)行加權(quán)。

進(jìn)一步地，s1中，對(duì)文本進(jìn)行分段、分句和分詞的方式具體為：對(duì)文本中的每個(gè)句子進(jìn)行編號(hào)，根據(jù)標(biāo)點(diǎn)符號(hào)對(duì)文本進(jìn)行分段和分句，根據(jù)編碼及分詞工具對(duì)文本進(jìn)行分詞。

進(jìn)一步地，s1中，對(duì)文本進(jìn)行預(yù)處理的內(nèi)容還包括：對(duì)文本進(jìn)行標(biāo)點(diǎn)符號(hào)過(guò)濾、縮寫補(bǔ)齊和刪除空格。

一種基于算法的文本摘要自動(dòng)提取系統(tǒng)，包括：

預(yù)處理模塊，用于對(duì)文本進(jìn)行分段、分句和分詞，還用于提取文本的篇章結(jié)構(gòu)信息；

基于doc2vec的特征提取模塊，用于通過(guò)doc2vec算法及其相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)每個(gè)句子中各個(gè)詞的詞向量及段落向量，使得每個(gè)句子對(duì)應(yīng)于一個(gè)指定維度、且連續(xù)稠密的實(shí)數(shù)段落詞向量，獲得作為句子的特征表示的實(shí)數(shù)段落詞向量；

相似度計(jì)算模塊，用于采用現(xiàn)有的相似度計(jì)算方法對(duì)文本內(nèi)句子間的相似度進(jìn)行計(jì)算，計(jì)算過(guò)程中結(jié)合文本的篇章結(jié)構(gòu)及句子的位置進(jìn)行加權(quán)處理，完成結(jié)合了加權(quán)處理的相似度計(jì)算后得到文本的句子相似度矩陣；

基于textrank的權(quán)重值計(jì)算模塊，用于根據(jù)句子相似度矩陣，以文本中的各句子為節(jié)點(diǎn)、以句子間的相似關(guān)系為邊、以句子間的相似度為邊的權(quán)值構(gòu)造無(wú)向加權(quán)textrank網(wǎng)絡(luò)圖；還用于通過(guò)迭代計(jì)算至收斂，得到包含權(quán)重值的各個(gè)節(jié)點(diǎn)；

摘要提取模塊，用于結(jié)合設(shè)定的摘要篇幅參數(shù)，根據(jù)對(duì)應(yīng)于各個(gè)節(jié)點(diǎn)的句子的權(quán)重值、文本的篇章結(jié)構(gòu)及句子的位置信息選擇核心句子，并根據(jù)核心句子出現(xiàn)的先后順序進(jìn)行排序后作為文本摘要的提取結(jié)果進(jìn)行輸出，其中的摘要篇幅參數(shù)包括摘要字?jǐn)?shù)、摘要句子數(shù)量以及摘要句子占文章句子總數(shù)的比例。

進(jìn)一步地，相似度計(jì)算模塊在計(jì)算相似度時(shí)進(jìn)行加權(quán)處理的原則為：1)當(dāng)句子與文本標(biāo)題一致時(shí)，將該句子的相似度計(jì)算結(jié)果乘以2作為加權(quán)的結(jié)果；2)當(dāng)句子與文本標(biāo)題的相似度計(jì)算結(jié)果為0時(shí)，不對(duì)該句子的相似度計(jì)算結(jié)果進(jìn)行加權(quán)；3)當(dāng)句子與文本標(biāo)題的相似度計(jì)算結(jié)果介于前面兩種情況之間時(shí)，根據(jù)以下關(guān)于加權(quán)系數(shù)的計(jì)算公式對(duì)句子的相似度進(jìn)行加權(quán)：

其中，p0h'和pih'分別表示標(biāo)題句子及第i個(gè)句子長(zhǎng)度為h’的特征向量，sim表示兩個(gè)句子的特征向量的向量積計(jì)算結(jié)果；

4)對(duì)于文本中位于首段和末段的句子，根據(jù)正序和反序位置進(jìn)行加權(quán)，加權(quán)系數(shù)的計(jì)算公式為：

其中，e1和e2均為大于0小于1的設(shè)定閥值，s和r為首段和末段的句子數(shù)量；

5)對(duì)于關(guān)鍵句子的權(quán)重放大1.1倍，關(guān)鍵句子為字?jǐn)?shù)大于設(shè)定值、并且直接構(gòu)成一個(gè)段落的句子；6)對(duì)于經(jīng)預(yù)處理為空的句子，不進(jìn)行加權(quán)。

進(jìn)一步地，預(yù)處理模塊中對(duì)文本進(jìn)行分段、分句和分詞的方法為：對(duì)文本中的每個(gè)句子進(jìn)行編號(hào)，根據(jù)標(biāo)點(diǎn)符號(hào)對(duì)文本進(jìn)行分段和分句，根據(jù)編碼及分詞工具對(duì)文本進(jìn)行分詞。

進(jìn)一步地，預(yù)處理模塊還用于對(duì)文本進(jìn)行標(biāo)點(diǎn)符號(hào)過(guò)濾、縮寫補(bǔ)齊和刪除空格。

本發(fā)明的有益效果在于：利用基于word2vec和詞嵌入的doc2vec算法從文本中各個(gè)可變長(zhǎng)度的句子進(jìn)行學(xué)習(xí)，從而得到包含語(yǔ)義信息的低維稠密實(shí)數(shù)詞向量，并作為固定大小的句子特征表示，相對(duì)于傳統(tǒng)的詞袋及詞頻表示方法，利用doc2vec所得到的句子段落詞向量不僅包含了詞的語(yǔ)義信息，還可以避免特征空間的維災(zāi)表示問(wèn)題和減少相似度計(jì)算工作量；doc2vec算法具有表達(dá)句子語(yǔ)義和降低特征表示的維災(zāi)問(wèn)題的優(yōu)勢(shì)，textrank算法具有在無(wú)監(jiān)督學(xué)習(xí)方面不需要事先訓(xùn)練、不依賴于特定語(yǔ)料庫(kù)和計(jì)算性能高等優(yōu)勢(shì)，本發(fā)明將doc2vec和textrank算法有機(jī)結(jié)合并應(yīng)用于文本摘要自動(dòng)提取領(lǐng)域中，并結(jié)合了篇章結(jié)構(gòu)等信息進(jìn)一步優(yōu)化textrank網(wǎng)絡(luò)結(jié)構(gòu)圖，具有準(zhǔn)確率較高、計(jì)算速度較快等優(yōu)點(diǎn)；相對(duì)于傳統(tǒng)的文本摘要自動(dòng)提取方法/系統(tǒng)可將準(zhǔn)確率提高3％～5％，在本領(lǐng)域中準(zhǔn)確率得到提升的顯著。

附圖說(shuō)明

圖1是本發(fā)明中一種基于算法的文本摘要自動(dòng)提取方法的流程框圖；

圖2是本發(fā)明中一種基于算法的文本摘要自動(dòng)提取系統(tǒng)的結(jié)構(gòu)框圖；

圖3是本發(fā)明中對(duì)文本進(jìn)行預(yù)處理的流程框圖。

具體實(shí)施方式

下面，結(jié)合附圖以及具體實(shí)施方式，對(duì)本發(fā)明做進(jìn)一步描述：

實(shí)施例1

如圖1所示，一種基于算法的文本摘要自動(dòng)提取方法，包含有以下步驟：

s1、對(duì)文本進(jìn)行預(yù)處理，如圖3所示，預(yù)處理的內(nèi)容包括：對(duì)文本中的每個(gè)句子進(jìn)行編號(hào)，根據(jù)標(biāo)點(diǎn)符號(hào)對(duì)文本進(jìn)行分段和分句，根據(jù)編碼及分詞工具對(duì)文本進(jìn)行分詞；提取文本的篇章結(jié)構(gòu)信息；還包括對(duì)文本進(jìn)行標(biāo)點(diǎn)符號(hào)過(guò)濾、縮寫補(bǔ)齊、詞干處理和刪除空格；

s2、對(duì)完成預(yù)處理的文本進(jìn)行特征提取，提取特征的內(nèi)容具體為：通過(guò)doc2vec算法及其相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)每個(gè)句子中各個(gè)詞的詞向量及段落向量，使得每個(gè)句子對(duì)應(yīng)于一個(gè)指定維度、且連續(xù)稠密的實(shí)數(shù)段落詞向量，將該實(shí)數(shù)段落詞向量作為句子的特征表示；

s3、完成特征提取后，采用現(xiàn)有的相似度計(jì)算方法(如余弦函數(shù)、歐式距離或jaccard函數(shù)等)對(duì)文本內(nèi)句子間的相似度進(jìn)行計(jì)算，計(jì)算過(guò)程中結(jié)合文本的篇章結(jié)構(gòu)及句子的位置進(jìn)行加權(quán)處理，計(jì)算相似度時(shí)進(jìn)行加權(quán)處理的原則為：1)當(dāng)句子與文本標(biāo)題一致時(shí)，將該句子的相似度計(jì)算結(jié)果乘以2作為加權(quán)的結(jié)果；2)當(dāng)句子與文本標(biāo)題的相似度計(jì)算結(jié)果為0時(shí)，不對(duì)該句子的相似度計(jì)算結(jié)果進(jìn)行加權(quán)；3)當(dāng)句子與文本標(biāo)題的相似度計(jì)算結(jié)果介于前面兩種情況之間時(shí)，采用以下式子對(duì)句子的相似度進(jìn)行加權(quán)：

其中，p0h'和pih'分別表示標(biāo)題句子及第i個(gè)句子長(zhǎng)度為h’的特征向量，sim表示兩個(gè)句子的特征向量的向量積計(jì)算結(jié)果；

4)對(duì)于文本中位于首段和末段的句子，根據(jù)正序和反序位置進(jìn)行加權(quán)，加權(quán)系數(shù)的計(jì)算公式為：

其中，e1和e2均為大于0小于1的設(shè)定閥值，默認(rèn)值均為0.2，s和r為首段和末段的句子數(shù)量；5)對(duì)于關(guān)鍵句子的權(quán)重放大1.1倍，關(guān)鍵句子為字?jǐn)?shù)大于設(shè)定值、并且直接構(gòu)成一個(gè)段落的句子；6)對(duì)于經(jīng)預(yù)處理為空的句子，不進(jìn)行加權(quán)；完成結(jié)合了加權(quán)處理的相似度計(jì)算后得到文本的句子相似度矩陣；

s4、根據(jù)句子相似度矩陣，以文本中的各句子為節(jié)點(diǎn)、以句子間的相似關(guān)系為邊、以句子間的相似度為邊的權(quán)值構(gòu)造無(wú)向加權(quán)textrank網(wǎng)絡(luò)圖；通過(guò)迭代計(jì)算至收斂，得到包含權(quán)重值的各個(gè)節(jié)點(diǎn)；

s5、對(duì)各個(gè)節(jié)點(diǎn)的權(quán)重值進(jìn)行倒排序，結(jié)合設(shè)定的摘要篇幅參數(shù)，根據(jù)對(duì)應(yīng)于各個(gè)節(jié)點(diǎn)的句子的權(quán)重值、文本的篇章結(jié)構(gòu)及句子的位置信息選擇核心句子，摘要篇幅參數(shù)包括摘要字?jǐn)?shù)、摘要句子數(shù)量以及摘要句子占文章句子總數(shù)的比例，最后根據(jù)核心句子出現(xiàn)的先后順序進(jìn)行排序后作為文本摘要的提取結(jié)果進(jìn)行輸出。

實(shí)施例2

如圖2及圖3所示，一種基于算法的文本摘要自動(dòng)提取系統(tǒng)，包括預(yù)處理模塊、基于doc2vec的特征提取模塊、相似度計(jì)算模塊、基于textrank的權(quán)重值計(jì)算模塊和摘要提取模塊；預(yù)處理模塊用于對(duì)文本進(jìn)行分段、分句和分詞，用于提取文本的篇章結(jié)構(gòu)信息，還用于對(duì)文本進(jìn)行標(biāo)點(diǎn)符號(hào)過(guò)濾、縮寫補(bǔ)齊、詞干處理和刪除空格；其中，預(yù)處理模塊中文本進(jìn)行分段、分句和分詞的方法為：對(duì)文本中的每個(gè)句子進(jìn)行編號(hào)，根據(jù)標(biāo)點(diǎn)符號(hào)對(duì)文本進(jìn)行分段和分句，根據(jù)編碼及分詞工具對(duì)文本進(jìn)行分詞；基于doc2vec的特征提取模塊用于通過(guò)doc2vec算法及其相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)每個(gè)句子中各個(gè)詞的詞向量及段落向量，使得每個(gè)句子對(duì)應(yīng)于一個(gè)指定維度、且連續(xù)稠密的實(shí)數(shù)段落詞向量，獲得作為句子的特征表示的實(shí)數(shù)段落詞向量；相似度計(jì)算模塊用于采用現(xiàn)有的相似度計(jì)算方法(如余弦函數(shù)、歐式距離或jaccard函數(shù)等)對(duì)文本內(nèi)句子間的相似度進(jìn)行計(jì)算，計(jì)算過(guò)程中結(jié)合文本的篇章結(jié)構(gòu)及句子的位置進(jìn)行加權(quán)處理，計(jì)算相似度時(shí)進(jìn)行加權(quán)處理的原則為：1)當(dāng)句子與文本標(biāo)題一致時(shí)，將該句子的相似度計(jì)算結(jié)果乘以2作為加權(quán)的結(jié)果；2)當(dāng)句子與文本標(biāo)題的相似度計(jì)算結(jié)果為0時(shí)，不對(duì)該句子的相似度計(jì)算結(jié)果進(jìn)行加權(quán)；3)當(dāng)句子與文本標(biāo)題的相似度計(jì)算結(jié)果介于前面兩種情況之間時(shí)，根據(jù)以下關(guān)于加權(quán)系數(shù)的計(jì)算公式對(duì)句子的相似度進(jìn)行加權(quán)：

其中，p0h'和pih'分別表示標(biāo)題句子及第i個(gè)句子長(zhǎng)度為h’的特征向量，sim表示兩個(gè)句子的特征向量的向量積計(jì)算結(jié)果；

4)對(duì)于文本中位于首段和末段的句子，根據(jù)正序和反序位置進(jìn)行加權(quán)，加權(quán)系數(shù)的計(jì)算公式為：

其中，e1和e2均為大于0小于1的設(shè)定閥值，默認(rèn)值均為0.2，s和r為首段和末段的句子數(shù)量；5)對(duì)于關(guān)鍵句子的權(quán)重放大1.1倍，關(guān)鍵句子為字?jǐn)?shù)大于設(shè)定值、并且直接構(gòu)成一個(gè)段落的句子；6)對(duì)于經(jīng)預(yù)處理為空的句子，不進(jìn)行加權(quán)；完成結(jié)合了加權(quán)處理的相似度計(jì)算后得到文本的句子相似度矩陣；基于textrank的權(quán)重值計(jì)算模塊用于根據(jù)句子相似度矩陣，以文本中的各句子為節(jié)點(diǎn)、以句子間的相似關(guān)系為邊、以句子間的相似度為邊的權(quán)值構(gòu)造無(wú)向加權(quán)textrank網(wǎng)絡(luò)圖；還用于通過(guò)迭代計(jì)算至收斂，得到包含權(quán)重值的各個(gè)節(jié)點(diǎn)；摘要提取模塊用于對(duì)各節(jié)點(diǎn)的權(quán)重值進(jìn)行倒排序，還用于結(jié)合設(shè)定的摘要篇幅參數(shù)，根據(jù)對(duì)應(yīng)于各個(gè)節(jié)點(diǎn)的句子的權(quán)重值、文本的篇章結(jié)構(gòu)及句子的位置信息選擇核心句子，摘要篇幅參數(shù)包括摘要字?jǐn)?shù)、摘要句子數(shù)量、以及摘要句子占文章句子總數(shù)的比例，最后根據(jù)核心句子出現(xiàn)的先后順序進(jìn)行排序后作為文本摘要的提取結(jié)果進(jìn)行輸出。

對(duì)本領(lǐng)域的技術(shù)人員來(lái)說(shuō)，可根據(jù)以上描述的技術(shù)方案以及構(gòu)思，做出其它各種相應(yīng)的改變以及形變，而所有的這些改變以及形變都應(yīng)該屬于本發(fā)明權(quán)利要求的保護(hù)范圍之內(nèi)。