Meringkaskan Teks Menggunakan Model BART Memeluk Muka

Dalam dunia yang serba pantas hari ini, memekatkan kandungan bentuk panjang kepada ringkasan ringkas adalah penting, sama ada untuk mengimbas artikel dengan pantas atau menyerlahkan perkara utama dalam kertas penyelidikan. Memeluk Wajah menawarkan alat yang berkuasa untuk ringkasan teks: model BART. Dalam artikel ini, kami akan meneroka cara anda boleh memanfaatkan model terlatih Hugging Face, khususnya model facebook/bart-large-cnn, untuk meringkaskan artikel dan teks yang panjang.

Bermula dengan Model BART Memeluk Wajah

Memeluk Wajah menyediakan pelbagai model untuk tugasan NLP seperti klasifikasi teks, terjemahan dan ringkasan. Salah satu model ringkasan yang paling popular ialah BART (Pengubah Dua Arah dan Auto-Regresif), yang dilatih untuk menjana ringkasan yang koheren daripada dokumen besar.

Langkah 1: Pasang Perpustakaan Transformers Wajah Memeluk

Untuk bermula dengan model Hugging Face, anda perlu memasang pustaka transformer. Anda boleh melakukan ini menggunakan pip:

pip install transformers

Langkah 2: Mengimport Talian Paip Summarization

Setelah pustaka dipasang, anda boleh memuatkan model pra-latihan untuk ringkasan dengan mudah. API saluran paip Hugging Face menyediakan antara muka peringkat tinggi untuk menggunakan model seperti facebook/bart-large-cnn, yang telah diperhalusi untuk tugasan ringkasan.

from transformers import pipeline

# Load the summarization model
summarizer = pipeline("summarization", model="facebook/bart-large-cnn")

Langkah 3: Menjalankan Summarizer

Sekarang anda telah menyediakan ringkasan, anda boleh suapan dalam mana-mana teks panjang untuk menjana ringkasan. Di bawah ialah contoh menggunakan contoh artikel tentang Dame Maggie Smith, seorang pelakon terkenal Britain.

ARTICLE = """ Dame Margaret Natalie Smith (28 December 1934 – 27 September 2024) was a British actress. Known for her wit in both comedic and dramatic roles, she had an extensive career on stage and screen for over seven decades and was one of Britain's most recognisable and prolific actresses. She received numerous accolades, including two Academy Awards, five BAFTA Awards, four Emmy Awards, three Golden Globe Awards and a Tony Award, as well as nominations for six Olivier Awards. Smith is one of the few performers to earn the Triple Crown of Acting.
Smith began her stage career as a student, performing at the Oxford Playhouse in 1952, and made her professional debut on Broadway in New Faces of '56. Over the following decades Smith established herself alongside Judi Dench as one of the most significant British theatre performers, working for the National Theatre and the Royal Shakespeare Company. On Broadway, she received the Tony Award for Best Actress in a Play for Lettice and Lovage (1990). She was Tony-nominated for Noël Coward's Private Lives (1975) and Tom Stoppard's Night and Day (1979).
Smith won Academy Awards for Best Actress for The Prime of Miss Jean Brodie (1969) and Best Supporting Actress for California Suite (1978). She was Oscar-nominated for Othello (1965), Travels with My Aunt (1972), A Room with a View (1985) and Gosford Park (2001). She portrayed Professor Minerva McGonagall in the Harry Potter film series (2001–2011). She also acted in Death on the Nile (1978), Hook (1991), Sister Act (1992), The Secret Garden (1993), The Best Exotic Marigold Hotel (2012), Quartet (2012) and The Lady in the Van (2015).
Smith received newfound attention and international fame for her role as Violet Crawley in the British period drama Downton Abbey (2010–2015). The role earned her three Primetime Emmy Awards; she had previously won one for the HBO film My House in Umbria (2003). Over the course of her career she was the recipient of numerous honorary awards, including the British Film Institute Fellowship in 1993, the BAFTA Fellowship in 1996 and the Society of London Theatre Special Award in 2010. Smith was made a dame by Queen Elizabeth II in 1990.
"""

# Generate the summary
summary = summarizer(ARTICLE, max_length=130, min_length=30, do_sample=False)

# Print the summary
print(summary)

Output:

[{'summary_text': 'Dame Margaret Natalie Smith (28 December 1934 – 27 September 2024) was a British actress. Known for her wit in both comedic and dramatic roles, she had an extensive career on stage and screen for over seven decades. She received numerous accolades, including two Academy Awards, five BAFTA Awards, four Emmy Awards, three Golden Globe Awards and a Tony Award.'}]

Seperti yang anda boleh lihat daripada output, ringkasan meringkaskan perkara utama artikel ke dalam format yang ringkas dan boleh dibaca, menyerlahkan fakta penting seperti umur panjang kerjaya dan pujiannya.

Satu lagi Pendekatan: Merumuskan Teks daripada Fail

Dalam sesetengah kes penggunaan, anda mungkin mahu membaca teks daripada fail dan bukannya rentetan kod keras. Di bawah ialah skrip Python yang dikemas kini yang membaca artikel daripada fail teks dan menjana ringkasan.

from transformers import pipeline

# Load the summarizer pipeline
summarizer = pipeline("summarization", model="facebook/bart-large-cnn")

# Function to read the article from a text file
def read_article_from_file(file_path):
    with open(file_path, 'r') as file:
        return file.read()

# Path to the text file containing the article
file_path = 'article.txt'  # Change this to your file path

# Read the article from the file
ARTICLE = read_article_from_file(file_path)

# Get the summary
summary = summarizer(ARTICLE, max_length=130, min_length=30, do_sample=False)

# Print the summary
print(summary)

Input Fail:

Dalam kes ini, anda perlu menyimpan artikel ke fail teks (article.txt dalam contoh), dan skrip akan membaca kandungan dan meringkaskannya.

Kesimpulan

Model BART Memeluk Wajah ialah alat yang hebat untuk ringkasan teks automatik. Sama ada anda sedang memproses artikel panjang, kertas penyelidikan atau mana-mana badan teks yang besar, model ini boleh membantu anda menyaring maklumat menjadi ringkasan yang ringkas.

Artikel ini menunjukkan cara anda boleh menyepadukan model ringkasan pra-latihan Hugging Face ke dalam projek anda, kedua-duanya dengan teks berkod keras dan input fail. Dengan hanya beberapa baris kod, anda boleh menyediakan saluran ringkasan yang cekap dan berjalan dalam projek Python anda.

Atas ialah kandungan terperinci Meringkaskan Teks Menggunakan Model BART Memeluk Muka. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!