使用Sumy庫的自動文本摘要

Sumy：您的AI驅動摘要助理

厭倦了篩選無盡的文件？強大的Python庫Sumy提供了一種簡化的解決方案，用於自動文本摘要。本文探討了Sumy的功能，指導您進行安裝，關鍵功能和各種摘要算法。將信息過載轉換為可行的見解。

學習目標

• 掌握使用Sumy庫的優勢。
• Sumy大師通過PYPI和GITHUB安裝。
• 學會創建自定義令牌和詞幹。
• 實施不同的摘要算法：Luhn，Edmundson和LSA。

本文是數據科學博客馬拉鬆的一部分。

目錄

• 什麼是Sumy圖書館？
• 安裝Sumy
• 構建令牌
• 創建一個莖
• 摘要算法
  • 盧恩·摘要
  • Edmundson Summarizer
  • LSA摘要
• 常見問題

什麼是Sumy圖書館？

Sumy是Python自然語言處理（NLP）庫，專門研究自動文本摘要。它利用包括盧恩，埃德蒙森，LSA，萊克斯蘭克和KL-Summarizers在內的各種算法來產生冗長文本的簡潔摘要。它易於使用和與其他NLP工具集成，使其非常適合大規模摘要任務。

Sumy的好處

• 為靈活選擇提供了一系列摘要算法。
• 與其他NLP庫無縫集成。
• 簡單的安裝和用法。
• 有效處理冗長的文件。
• 可定制以滿足特定的匯總要求。

安裝Sumy

使用您的終端通過PYPI安裝：

 PIP安裝Sumy

對於Jupyter Notebook，Kaggle或Google Colab，請前綴該命令! ：

 ！ pip安裝sumy

構建令牌

令牌化（將文本分成句子和單詞）對於有效的摘要至關重要。 Sumy簡化了此過程。

來自sumy.nlp.tokenizer的導入令牌
導入NLTK
nltk.download（'punkt'）
tokenizer = tokenizer（“ en”）

句子= tokenizer.to_sentences（“示例文本...”）＃在此處插入您的示例文本

對於句子中的句子：
    打印（tokenizer.to_words（句子））

輸出：

創建一個莖

通過處理與相同單詞相同的詞的變化，可以提高（將單詞還原為根部形式）提高匯總精度。

來自sumy.nlp.stemmers導入stemmer
stemmer = stemmer（“ en”）
stem = stemmer（“博客”）
打印（莖）

輸出：

摘要算法的概述

盧恩·摘要

該算法使用頻率分析根據重要的單詞頻率對句子進行排名。

 ＃...（如原始文章中的luhn摘要代碼）...

輸出：

埃德蒙森摘要

該算法允許使用獎勵，污名和無效詞來實現更自定義的方法來影響摘要。

 ＃...（Edmundson摘要代碼如原始文章中）...

輸出：

LSA摘要

LSA（潛在語義分析）標識了上下文摘要的單詞之間的模式和關係。

 ＃...（LSA摘要代碼與原始文章一樣）...

輸出：

結論

Sumy是一個多功能庫，用於有效的文本摘要。它的多樣化算法和易用性使其成為數據科學家和任何具有大量文本的人的寶貴工具。

關鍵要點

• Sumy為定制的摘要提供了算法選擇。
• 很容易創建令牌和莖。
• 提供具有獨特好處的各種摘要算法。
• 有效處理廣泛的文本文檔。

常見問題

Q1。什麼是Sumy？答：用於自動文本摘要的Python庫。

Q2。 Sumy支持哪些算法？ A. Luhn，Edmundson，LSA，Lexrank和KL-Summarizers。

Q3。 Sumy中的象徵化是什麼？ A.將文字分為句子和單詞以提高準確性。

Q4。 Sumy有什麼？答：將單詞簡化為根部形式，以更好地匯總。

（注意：假定圖像如原始輸入所示。）

以上是使用Sumy庫的自動文本摘要的詳細內容。更多資訊請關注PHP中文網其他相關文章！