一种针对新闻话题的多文档文摘技术

岳大鹏，饶 岚，王 挺

(1. 国防科技大学 计算机学院，湖南 长沙 410073；2. 国防科技大学 人文与社会科学院，湖南 长沙 410073 )

1 引言

当今社会信息的产生和传播速度大大加快。在谷歌中查询“动车 事故”，就能搜索到上万篇有关最近国内一起动车出轨事故的相关报道，包括事故的起因、发展，政府组织的抢救工作，有多少人生还，应由谁来承担事故责任等。如果想了解事件的全貌，面对如此海量报道，逐一阅读是一件费时费力的工作。因此，人们迫切需要一个整理和归纳信息的工具，以便于在最短时间内对一个事件进行全面的了解。多文档文摘技术[1-2]能够把大量的文本进行提炼，摘取出重要或用户感兴趣的信息生成一篇文摘，因而能满足我们的要求。

系列事件的报道越来越多地会采用按照话题组织新闻的方式。这能方便读者了解到事件的来龙去脉。不同于一般的多文档集，以话题为纽带组织起来的一组文档有重复度高、无用信息少、文档间联系紧密等特点。针对这些特点，需要一种基于话题的多文档文摘以处理这种文档集。

本文介绍了一种基于话题的多文档文摘方法TBMMR(Topic Based Maximal Marginal Relevance)，并在添加了人工文摘的TDT4汉语新闻语料上做实验验证了它的有效性。

2 基于话题的多文档文摘特点

本文研究的对象，基于话题的多文档文摘是指对按照某一话题组织的文档集进行自动文摘。它来源于话题发现与追踪的研究。话题发现与追踪[3]是对新闻语料进行话题方面处理的一个强有力的工具，它能根据用户感兴趣的话题筛选有用文本，将涉及某个话题的报道组织起来返回给用户。……