零基础入门一文彻底掌握自然语言处理NLP中文分词、词性标注、关键词提取和文本摘要，包括；ChatGLM实战文本信息抽取、T5 模型完成新闻摘要任务、LLM大模型在文本摘要与提取中实现信息处理与压缩

零基础入门一文彻底掌握自然语言处理NLP中文分词、词性标注、关键词提取和文本摘要，包括；ChatGLM实战文本信息抽取、T5 模型完成新闻摘要任务、LLM大模型在文本摘要与提取中实现信息处理与压缩，详细的实现步骤和原理文章有点长，需要慢慢看，包含完整的图文和代码。

理论知识：

在这篇文章中，我们将介绍文本总结的基础知识，生成自动摘要的不同方法，文本总结的一些现实应用，最后，我们将在ROUGE的帮助下比较各种文本总结模型，ROUGE是一套用于评估自动文本总结的指标，在Python中。

什么是文本归纳？
文本总结是将一篇长的文本，如文章、散文或研究论文，缩短为一个摘要的过程，通过保留关键信息和舍弃不重要的部分来传达文本的总体意义。当涉及到生成自动摘要时，有两种广泛的方法，即：

抽取式总结
抽象式总结

抽取式总结
提取式总结模型将几个相关的、含有信息的句子完全按照源材料中的内容连接起来，以创建简短的总结。这些模型不会生成源材料中不存在的任何文本。今天使用的大多数总结系统恰好都是提取式的。

抽象式总结
抽象式总结模型创建的总结能够传达源材料中的主要信息。某些短语和句子可能会从源材料中重复使用，但整个摘要通常是重新措辞，用不同的词来写。摘要中的句子不一定出现在原始文本块中。