48、文本摘要与短期负荷预测：技术探索与应用

文本摘要与短期负荷预测：技术探索与应用

文本摘要技术

在文本处理领域，对给定文本进行摘要提取是一项重要的任务。为了实现更准确的摘要生成，采用了针对角色和事件的命名实体识别（NER）重新设计方法。

实验与结果

对60个故事（如STY1 - STY60）进行了实验。实验中，仅将包含最多提取特征（如角色、事件、位置和关系）的短语纳入摘要。具体来说，选择能反映摘要所需关键句子的语句，且只考虑排名最高的句子。以下是部分故事的摘要句子及压缩比例：
| 序号 | 故事标题 | 故事实际长度 | 摘要句子数量 | 百分比比例(%) |
| ---- | ---- | ---- | ---- | ---- |
| 1 | STY1 | 10 | 5 | 50 |
| 2 | STY2 | 23 | 12 | 52 |
| 3 | STY3 | 6 | 3 | 50 |
|… |… |… |… |… |

整体压缩比例为51.58%。采用基于规则的方法来提高输出的准确性，只有得分最高的句子才会被包含在摘要中，这些高分句子是根据具有最多特征且按故事升序排列的句子确定的。

问答测试

为确保摘要信息的准确性，采用了平均意见得分（MOS）测试，以问答形式进行。基于10个原始故事创建了包含53个问题的问卷，从60个故事中随机选择10个故事，让5个人回答摘要相关问题。根据用户回答问题的情况来评估摘要的有效性：
- 若用户回答了最佳问题集，则摘要效果极佳；
- 若回答了平均数量的问题，则摘要效果良好；
- 若回答的问题数量最少，则摘要效果较差。

<