跳到主要内容

项目：文本摘要系统

本节定位

摘要项目很适合作为作品集，因为它逼着你回答几个非常真实的问题：

  • 什么叫关键信息
  • 怎样压缩长文本
  • 怎样判断摘要是否真的好

这一节不会只停在“会抽几句”，而会把一个作品级项目最该展示的部分讲清楚。

学习目标​

  • 学会定义一个摘要项目的最小闭环
  • 学会把抽取式 baseline 做成可解释系统
  • 学会设计最小评估和失败分析
  • 学会把这个题材包装成一个完整的 NLP 项目

先建立一张地图​

文本摘要项目最适合新人的理解顺序不是“先追更强模型”，而是先看清项目闭环：

所以这节真正想解决的是：

  • 什么叫“保住主线”
  • 摘要项目到底怎样评估和展示

一个更适合新人的总类比​

你可以把文本摘要理解成：

  • 给一篇长文章做读书卡片

真正困难的地方不是“把字数变短”，而是：

  • 不能把主线压没了
  • 不能只留下边角信息
  • 还要让最后的摘要读起来顺

一、项目题目怎么收窄？​

一个适合练手的题目可以是：

给课程长文介绍生成 2 句摘要。

这类题目好在：

  • 领域清晰
  • 文本长度适中
  • 摘要目标比较直观

1.1 第一次做摘要项目，题目怎么选更稳？​

更稳的起点通常有三个特点：

  • 原文结构比较清楚
  • 主线信息比较集中
  • 读者比较容易判断“有没有漏重点”

所以像：

  • 课程介绍
  • 新闻简报
  • 会议纪要

这类文本通常都很适合作为练手题目。

1.2 一个新人很适合先记的判断​

第一次做摘要项目时，最值得先挑的是：

  • 读者比较容易判断“哪些才是重点”的文本

因为摘要最难的一层，本来就是：

  • 关键信息到底是什么

二、作品级摘要项目最小闭环​

  1. 选文本集合
  2. 切句
  3. 句子打分
  4. 选 top-k 句子
  5. 做人工评估
  6. 总结失败模式

2.1 一个很适合初学者先记的项目检查表​

环节你最该先确认什么
切句句子边界是不是稳定
打分是按什么标准判断“更重要”
生成摘要top-k 句子有没有保住主线
评估是不是只看“读起来顺”，还是也看“有没有漏重点”

这个表很适合新人，因为它会把摘要项目从“抽几句就结束”，重新变成一条可以检查的项目链。

三、推荐推进顺序​

对新人来说，更稳的顺序通常是：

  1. 先做抽取式 baseline
  2. 再补最小人工评估
  3. 再做失败案例分析
  4. 最后再考虑生成式摘要对比

这样你会更容易知道摘要系统到底提升了什么。

四、先做一个更完整的抽取式摘要系统​

import re

article = """
人工智能课程的学习路径通常分为基础阶段和进阶阶段。
基础阶段包括 Python 编程、数据分析和机器学习。
当学习者掌握了这些内容之后，才能更稳地进入深度学习和大模型应用开发。
很多人一开始就想直接学大模型，但往往因为基础不牢而很快卡住。
如果学习目标是做 AI 应用工程，理解数据处理、模型训练和系统部署都很重要。
""".strip()


def split_sentences(text):
    parts = re.split(r"[。！？\\n]+", text)
    return [p.strip() for p in parts if p.strip()]


def sentence_score(sentence, all_sentences):
    # 极简词频打分：句子中的高频词越多，分数越高
    tokens = "".join(all_sentences)
    return sum(tokens.count(ch) for ch in sentence if ch.strip())


def summarize(text, top_k=2):
    sentences = split_sentences(text)
    scored = [
        (sentence_score(sent, sentences), idx, sent)
        for idx, sent in enumerate(sentences)
    ]
    top = sorted(sorted(scored, reverse=True)[:top_k], key=lambda x: x[1])
    return "。".join(item[2] for item in top) + "。", scored


summary, scored = summarize(article, top_k=2)
print("summary:", summary)
print("scores:", scored)

4.1 这个示例为什么更像项目？​

因为它不只给你结果，
还保留了：

  • 切句结果
  • 打分结果

这让你能做：

  • 解释
  • 调试
  • 失败分析

4.2 为什么摘要项目特别值得展示中间分数？​

因为摘要好不好本来就带主观性。
中间打分过程能帮助别人理解：

  • 你是怎样做选择的

4.3 再看一个最小“摘要长度控制”示例​

for k in [1, 2, 3]:
    summary_k, _ = summarize(article, top_k=k)
    print(f"top_k={k} -> {summary_k}")

这个示例很适合初学者，因为它会帮助你立住一个关键感觉：

  • 摘要不是句子越多越好
  • 也不是越短越高级

而是：

  • 在长度约束下尽量保住主线

五、一个最小人工评估表该长什么样？​

eval_cases = [
    {
        "text": article,
        "gold_focus": ["基础阶段", "深度学习和大模型", "系统部署"],
    }
]

for case in eval_cases:
    pred_summary, _ = summarize(case["text"], top_k=2)
    covered = [item for item in case["gold_focus"] if item in pred_summary]
    print({
        "summary": pred_summary,
        "covered_focus": covered,
        "coverage_ratio": round(len(covered) / len(case["gold_focus"]), 4),
    })

5.1 这个评估为什么简单但有用？​

因为它逼你回答：

  • 摘要到底保没保住主线

这比只看“读起来顺不顺”更具体。

六、摘要项目最值得展示的失败案例​

例如：

  • 选句重复
  • 漏掉关键信息
  • 句子顺序不自然

为什么这些很值得展示？​

因为它们恰好体现了抽取式摘要的典型局限。

6.1 一个很适合新人的失败分析框架​

你可以先按这三类去分：

  1. 漏掉主线信息
  2. 句子重复或冗余
  3. 句子本身对，但组合起来不自然

这样比只说“这个摘要不太好”更容易推进下一步改进。

6.2 一个新人可直接照抄的错误分桶表​

错误类型你下一步更可能先改什么
漏掉主线信息句子打分规则
句子重复去冗余策略
组合不自然句子排序或生成式改写

这个表很适合新人，因为它能帮助你把“摘要不太好”重新拆回具体可改的问题。

七、怎么把这个项目再推成作品级？​

7.1 加一个生成式摘要对比​

7.2 增加更多文本类型​

例如：

  • 新闻
  • 课程介绍
  • 会议纪要

7.3 做一页 before / after 展示​

例如：

  • 原文
  • baseline 摘要
  • 调优后摘要
  • 失败分析

项目交付时最好补上的内容​

  • 原文 / 摘要对照
  • 中间句子得分表
  • 一组失败摘要案例
  • 一段你对“什么叫关键信息”的定义说明

如果把它做成作品集，最值得强调什么​

最值得强调的通常不是：

  • “我做了摘要模型”

而是：

  1. 你的 baseline 怎么挑句
  2. 你怎么定义“保住主线”
  3. 中间句子得分怎么展示
  4. 错误案例主要是什么

这样别人会更容易看出：

  • 你理解的是摘要项目的判断标准
  • 不只是把文本压短了

如果继续往上做，这个项目最值得补什么​

更值得优先补的通常是：

  1. 更稳的句子打分特征
  2. 更好的人工评估标准
  3. 抽取式和生成式摘要的对比页

这样你的项目就会从“能跑”进一步变成“能比较、能解释、能展示”。

小结​

这节最重要的是建立一个作品级判断：

摘要项目的关键，不只是能抽几句，而是你能否把“切句、打分、生成、评估和失败分析”讲成一个可解释的闭环。

只要这个闭环清楚，文本摘要项目就会非常像一个成熟的 NLP 作品。

版本路线建议​

版本目标交付重点
基础版跑通最小闭环能输入、能处理、能输出，并保留一组示例
标准版形成可展示项目增加配置、日志、错误处理、README 和截图
挑战版接近作品集质量增加评估、对比实验、失败样本分析和下一步路线

建议先完成基础版，不要一开始就追求大而全。每提升一个版本，都要把“新增了什么能力、怎么验证、还有什么问题”写进 README。

练习​

  1. 把 top_k 改成 1 和 3，观察摘要内容怎么变化。
  2. 为什么摘要项目特别值得展示“中间打分结果”？
  3. 想一想：抽取式摘要最容易出现哪类失败？
  4. 如果你要把这个项目放进作品集，你会优先展示哪 4 部分？