SUMMARIZATION STUDY ON GENERAL PROFILES FOR SCROLL COMPRESSOR，王立存，陈进，Abastract：By specifying not parameterizations of the curve, but instead the radius of curvature as a function of tangent direction and using the intrinsic equation of a planar cu

提取与抽象文本摘要方法：分析 文本摘要解决了将信息压缩为更紧凑形式的问题，同时又将重要信息保留在文本中。 自动文本摘要的方法分为两个主要类别：提取性和抽象性。 提取摘要的常见方法包括根据句子的相关性，选择最能代表原始文本表达信息的最具代表性的句子。 一种流行的抽象文本摘要方法是使用编码器-解码器结构，该结构会生成数据的潜在因子表示形式，并将其解码以生成摘要。 该项目的目的是分析和比较两种方法在专门用于科学文献时的有效性。 动机 我从事此项目的动力来自个人经验。 作为一名大学学生，我经常会遇到大量与我的兴趣相关的科学论文和研究文章，但我没有时间阅读所有内容。 我希望有一种方法能够对论文的主要思想进行汇总，而又不会显着减少重要内容。 文本摘要是一种广泛实施的算法，但是我想探索特别适用于科学写作的不同文本摘要方法。 介绍 自动文本摘要是使用信息优先级排序系统缩短文本文档的过程。 生成摘要的技术会

适用于ppt分享

“基于预训练的自然语言生成以进行文本汇总”的实现 论文： : 版本号 python 2.7 PyTorch：1.0.1.post2 准备包/数据集 运行： pip install -r requirements.txt以安装所需的软件包 从以下位置下载块CNN / DailyMail数据： : 运行： python news_data_reader.py创建将在我的数据加载器中使用的泡菜文件 运行模型 对我来说，该模型对我的GPU来说太大了，因此我使用了以下较小的参数进行调试。 CUDA_VISIBLE_DEVICES=3 python main.py --cuda --batch_size=2 --hop 4 --hidden_dim 100 审阅者须知： 尽管我实现了核心部分（使用BERT进行两步汇总生成），但是我没有足够的时间来实现RL部分。 第二个解码器过程非常耗时

text-summarization-tensorflow 代码来自： 这个是关于英文文本的介绍，然后自己尝试应用在中文文本上，效果不是很理想。。 中文数据集来自：

matlab的egde源代码使用LSTM进行视频汇总 该存储库为使用LSTM（即我们的论文中的vsLSTM和dppLSTM）的视频摘要提供了数据和实现： *，赵伟伦*，费莎和克里斯汀·格劳曼。 在2016年欧洲计算机视觉会议（ECCV）会议上，荷兰阿姆斯特丹。 （*同等贡献）[] [] 如果您发现此存储库中的代码或其他相关资源很有用，请引用以下文章： @inproceedings{zhang2016video, title={Video summarization with long short-term memory}, author={Zhang, Ke and Chao, Wei-Lun and Sha, Fei and Grauman, Kristen}, booktitle={ECCV}, year={2016}, organization={Springer} } 环境 MAC OS X或Linux 具有计算能力的NVIDIA GPU 3.5+ Python 2.7以上 Theano 0.7+ Matlab的 数据 下载并解压缩到./data/ 请注意，我们以2fps对原始

跨语言汇总的数据集 我们已经构建了两个用于跨语言摘要的数据集： ZH2ENSUM和EN2ZHSUM 。 您可以下载。 引文 如果您觉得这是有益的，我们将不胜感激。 @inproceedings{zhu-etal-2019-ncls, title = "{NCLS}: Neural Cross-Lingual Summarization", author = "Zhu, Junnan and Wang, Qian and Wang, Yining and Zhou, Yu and Zhang, Jiajun and Wang, Shaonan and Zong, Chengqing", booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Langua

伯特提取摘要器 此存储库是演讲摘要存储库的一般化。 该工具利用HuggingFace Pytorch变压器库来进行提取性汇总。 通过首先嵌入句子，然后运行聚类算法，找到最接近聚类质心的句子，可以实现这一目的。 该库还使用共指技术，利用库解析需要更多上下文的摘要中的单词。 可以在CoreferenceHandler类中调整Neurocoref库的贪婪性。 论文： : 尝试在线演示： 安装 pip install bert-extractive-summarizer 使用Neurocoref的共指功能需要一个spaCy模型，该模型必须单独下载。 默认模型是小型英语spaCy模型（en_core_web_sm，11Mb），并随此软件包自动安装。 要使用其他型号，您必须手动安装。 示例：安装中型（91 Mb）英文模型（有关更多模型，请参见）。 pip install spacy pi

俄语文本摘要的GPT-3微调_Fine-tuning GPT-3 for Russian Text Summarization.pdf

对论文的自己的一点理解，希望得到指正和指点。有些东西可能并不是那么正确，欢迎大家共同指正。