La génération d'un résumé extractif à partir d'un document

Abstract

La forte augmentation des textes au format numérique met en évidence la nécessité de concevoir

et de développer des outils de résumé efficaces pour localiser et extraire les informations pertinentes sous forme abrégée. Le résumé de texte dans le traitement du langage naturel est principalement

traité par les méthodes d'extraction, qui consistent à sélectionner une partie du document original pour capturer l'idée principale du sujet. Contrairement à la méthode d'extraction, la méthode

d'abstraction cela dépend de l'étude du sujet et de la formulation d'un résumé pour celui-ci . Dans notre travail, nous appliquons le type d’extraction. Dans notre travail, nous avons utilisé Word2Vec qu’est un ensemble de modèles d'intégration lexicale de type Word Embedding. Word2Vec convertit le mot en un vecteur, dans notre cas un

vecteur de 50 segments, ces segments sont des dérivés du mot. Nous avons également utilisé

Autoencoder

et Multi-layer perceptron ensuite BLEU score pour l’aprent issage. Nous appliquons notre modèle sur l’ensemble de données Amazon Food_Reviews, et nous utilisons des métriques standard (telles que ROUGE) pour évaluer les paragraphes reconstruits. ● L'objectif de cette étude est d’Améliorer le résumé automatique extractif du texte à l'aide des nouvelles méthodologies. Mots-clés: Résumé automatique, Extractive, Word Embidding, Word2Vec, Auto-Encoder, Multilayer perceptron, BLEU score, Amazon Food_Reviews.