微信公眾號(hào)文本自動(dòng)摘要研究

□程子軒 顏成偉 李鋮碩

移動(dòng)互聯(lián)網(wǎng)時(shí)代下，新媒體與大數(shù)據(jù)技術(shù)飛速發(fā)展，以微博、微信、短視頻等形式為代表的新媒體已然成為人們交流、休閑、學(xué)習(xí)、生活的一部分。微信相繼推出微信公眾平臺(tái)、朋友圈、消息推送等功能服務(wù)進(jìn)一步擴(kuò)大用戶群體規(guī)模，至今全球已有超過13億微信注冊賬戶。微信公眾平臺(tái)憑借龐大的微信用戶群體迅速成為最具影響力的信息傳播媒體平臺(tái)之一。然而龐大紛雜的賬號(hào)主體直接導(dǎo)致了微信公眾平臺(tái)信息質(zhì)量參差不齊、信息過載現(xiàn)象嚴(yán)重。因此，如何在海量、雷同的信息海洋中篩選出真正需要和感興趣的內(nèi)容是廣大微信用戶面臨的困擾，更是微信公眾平臺(tái)需要關(guān)注并有待解決的問題[1]。

一、微信公眾號(hào)文本摘要的意義

微信公眾平臺(tái)的使用場景主要是移動(dòng)網(wǎng)絡(luò)環(huán)境和智能終端，用戶受到手機(jī)、平板電腦等智能終端設(shè)備屏幕較小和閱讀時(shí)間碎片化的限制，很難在短時(shí)間內(nèi)瀏覽和閱讀幾千字的文章，知識(shí)過載和冗余給用戶帶來較差的閱讀體驗(yàn)和較多的精力投入。因此，微信公眾平臺(tái)文本知識(shí)摘要生成具有重要作用和意義。

(一)微信公眾平臺(tái)文本知識(shí)摘要生成能夠提高用戶知識(shí)獲取效率。依靠自動(dòng)化技術(shù)抽取生成概括性知識(shí)摘要，一方面能夠?qū)⑽恼聝?nèi)容大幅度縮短，可以給用戶提供判斷是否繼續(xù)閱讀的依據(jù)，極大地節(jié)省了用戶的時(shí)間和精力，給用戶帶來較好的閱讀體驗(yàn)。

(二)知識(shí)摘要自動(dòng)化生成能夠提高微信公眾平臺(tái)知識(shí)重用效率，實(shí)現(xiàn)知識(shí)整合和序化組織。知識(shí)摘要的生成能夠減少和過濾冗余信息，提取文檔中的主要知識(shí)和思想觀點(diǎn)，整合多篇文檔中知識(shí)資源內(nèi)容，得到完整的高質(zhì)量知識(shí)資源，實(shí)現(xiàn)知識(shí)的重新整合和序化組織。

(三)微信公眾號(hào)摘要自動(dòng)化生成能夠?yàn)樾屡d的智能服務(wù)與市場分析方向提供強(qiáng)有力的支撐。微信公眾號(hào)摘要自動(dòng)化生成能夠?yàn)槲⑿殴娖脚_(tái)知識(shí)組織與服務(wù)、智能檢索與問答、領(lǐng)域熱點(diǎn)追蹤和分析、行業(yè)咨詢等新興的智能服務(wù)與市場分析方向提供強(qiáng)有力的支撐，具有較高的商業(yè)價(jià)值。尤其對于微信公眾平臺(tái)推送類的學(xué)術(shù)類公眾號(hào)媒體，自動(dòng)化知識(shí)摘要生成能夠在很大程度上減少平臺(tái)編輯的人力和財(cái)務(wù)成本，提升用戶體驗(yàn)度。目前市場上能夠提供自動(dòng)化知識(shí)摘要的服務(wù)平臺(tái)較少，所以從商業(yè)應(yīng)用角度具有一定的研究意義和價(jià)值。

二、微信公眾號(hào)文本數(shù)據(jù)特征

(一)微信公眾平臺(tái)數(shù)據(jù)形式。微信公眾平臺(tái)支持推送消息的形式包括文字、語音、圖片、錄音、圖文消息、名片、視頻等，多種內(nèi)容形式可以同時(shí)存在于一條群發(fā)消息中。微信公眾平臺(tái)發(fā)布的文章中采用單一媒體形式的較少，以文字為主的圖文消息最為普遍。部分公眾號(hào)在文章中插入背景音樂或同步朗讀語音，使內(nèi)容表現(xiàn)形式更加豐富。隨著2020年1月微信視頻號(hào)系統(tǒng)內(nèi)測，微信公眾號(hào)內(nèi)的視頻發(fā)布逐漸向微信視頻號(hào)賬號(hào)轉(zhuǎn)移。因此，微信公眾號(hào)知識(shí)資源的形式主要是以文字配圖片的形式為主，同時(shí)包括音頻、視頻等多種媒體形式。

(二)微信公眾號(hào)知識(shí)類型。按照知識(shí)的專業(yè)深度不同，微信公眾號(hào)知識(shí)資源可分為科普型知識(shí)、專業(yè)科普型知識(shí)、專業(yè)發(fā)展前沿、專業(yè)知識(shí)以及學(xué)術(shù)專題型知識(shí)等。科普型知識(shí)的受眾最為廣泛，大部分公眾號(hào)會(huì)不定期發(fā)布科普型知識(shí)內(nèi)容，對知識(shí)普及起到積極宣傳的作用。專業(yè)科普型知識(shí)的受眾也十分廣泛，普通微信用戶對此類知識(shí)的關(guān)注度根據(jù)專業(yè)所在領(lǐng)域的熱度不同有所差異，如健康、科技、金融等領(lǐng)域?qū)I(yè)科普型知識(shí)受關(guān)注較多。相關(guān)領(lǐng)域的垂直類微信公眾號(hào)會(huì)不定期發(fā)布專業(yè)科普型知識(shí)，使微信用戶對感興趣的領(lǐng)域知識(shí)有進(jìn)一步的了解和掌握。專業(yè)發(fā)展前沿、專業(yè)知識(shí)和學(xué)術(shù)專題等類型的知識(shí)由于對微信用戶專業(yè)基礎(chǔ)知識(shí)有一定要求，因而受眾相對較少，受眾群體以研究生、高校教師和科研工作者為主。專業(yè)發(fā)展前沿、專業(yè)知識(shí)和學(xué)術(shù)專題等類型的知識(shí)主要由學(xué)術(shù)類微信公眾號(hào)發(fā)布，這類公眾號(hào)的運(yùn)營主體主要為科研機(jī)構(gòu)、學(xué)術(shù)期刊、高校圖書館等，一些垂直類公眾號(hào)也會(huì)少量發(fā)布專業(yè)發(fā)展前沿類知識(shí)內(nèi)容。學(xué)術(shù)微信用戶通過公眾號(hào)能夠掌握前沿的專業(yè)知識(shí)內(nèi)容，并通過平臺(tái)與其他學(xué)者對感興趣的知識(shí)內(nèi)容進(jìn)行交流碰撞。

(三)微信公眾平臺(tái)數(shù)據(jù)資源特征。一是微信公眾號(hào)知識(shí)資源呈現(xiàn)出碎片化特點(diǎn)，適合碎片化閱讀。當(dāng)前，由于生活節(jié)奏加快，碎片化閱讀已成為移動(dòng)互聯(lián)網(wǎng)環(huán)境下的主流閱讀模式，而微信公眾號(hào)上的知識(shí)類型和傳播形式正符合現(xiàn)代人需求和時(shí)代發(fā)展趨勢。二是在將專業(yè)的知識(shí)內(nèi)容提煉、分解、重組、并深入淺出圖文并茂地演繹出來，對知識(shí)資源的質(zhì)量也提出了更高要求。例如，一些學(xué)術(shù)期刊公眾號(hào)如果單一復(fù)制母刊文章進(jìn)行發(fā)布，則很難收獲較好的傳播效果，若能將原文基礎(chǔ)上進(jìn)行二次加工，可以使用戶在短時(shí)間內(nèi)掌握論文精華，有效提高閱讀量及微信傳播指數(shù)(WCI)[2]。三是微信公眾號(hào)知識(shí)資源存在大量信息冗余。微信公眾號(hào)數(shù)量眾多，各公眾號(hào)專業(yè)水準(zhǔn)參差不齊，部分文章原創(chuàng)性不足，內(nèi)容相似的熱點(diǎn)話題文章被不同公眾號(hào)頻頻推送的現(xiàn)象隨處可見。大量引用或轉(zhuǎn)載都造成了信息資源的浪費(fèi)，給用戶閱讀和使用造成了一定的困擾。因此，如何從繁多的消息推送中甄別出有效信息、提高閱讀效率成為微信用戶的迫切需求。

三、文本自動(dòng)摘要技術(shù)概述

摘要是以提供文獻(xiàn)內(nèi)容梗概為目的，不加評論和補(bǔ)充解釋，簡明、確切地記述文獻(xiàn)重要內(nèi)容的短文，能夠概括和總結(jié)文檔的中心思想和核心內(nèi)容。早在20世紀(jì)50年代，自動(dòng)文本摘要已經(jīng)吸引了人們的關(guān)注。在20世紀(jì)50年代后期，Hans Peter Luhn利用詞頻和詞組頻率等特征從文本中提取重要句子，用于總結(jié)內(nèi)容[3]。文本摘要自動(dòng)化生成是指運(yùn)用現(xiàn)代計(jì)算機(jī)的自動(dòng)化技術(shù)從原始文章中抽取或重新組織生成包含中心內(nèi)容、概要信息或者作者的情感態(tài)度的主題或語義內(nèi)容的句子，并將這些句子按照一定順序形成文章摘要的過程。

自動(dòng)化摘要生成有多種分類方式。按照研究對象的文檔數(shù)量多少可以分為單文檔自動(dòng)摘要和多文檔自動(dòng)摘要。對于微信公眾平臺(tái)的知識(shí)摘要生成，提取單篇文檔中知識(shí)摘要即是單文檔知識(shí)摘要生成，提取某一領(lǐng)域知識(shí)相關(guān)的多篇文檔中內(nèi)容即是多文檔知識(shí)摘要生成。按照生成摘要的用途，可以將自動(dòng)文檔摘要分為面向信息瀏覽和基于情感態(tài)度分析兩類。有些摘要是為了方便用戶瀏覽文檔的概要信息，有些而是為了分析出文檔中作者的情感態(tài)度。微信公眾平臺(tái)自動(dòng)化摘要生成主要是為了便于用戶查找知識(shí)內(nèi)容和概括性瀏覽，因此需要進(jìn)行面向知識(shí)瀏覽的自動(dòng)化摘要生成。此外，按照自動(dòng)文檔摘要中是否含有原文中句子可以分為兩類：一類是直接從文章中抽取權(quán)重排序較高的原文句子，不對原文檔中句子進(jìn)行修改，按照一定順序組織形成文檔摘要，即抽取式方法；另一類是通過對原文的“理解”，組織生成新的語言句子對文檔的主題、概要信息進(jìn)行融合表達(dá)概括，即生成式方法。由于生成式方法形成摘要過程中需要解決語義表示、推理和信息融合等問題，比抽取式方法復(fù)雜、難度大，且抽取式自動(dòng)文檔摘要生成是從原文中選取關(guān)鍵句組成摘要，在語法、句法上錯(cuò)誤率低，整體效果優(yōu)于生成式自動(dòng)文檔摘要。因此，本文采用抽取式方法對微信公眾平臺(tái)知識(shí)自動(dòng)化摘要生成開展研究。

四、微信公眾號(hào)文本自動(dòng)摘要過程

采用抽取式方法進(jìn)行微信公眾號(hào)文本自動(dòng)摘要生成具體分為語料獲取、預(yù)處理、文本特征化、摘要抽取和效果評價(jià)五個(gè)步驟。

在語料獲取階段是采集微信公眾號(hào)發(fā)布的文本數(shù)據(jù)，平臺(tái)內(nèi)部人員可以直接通過平臺(tái)數(shù)據(jù)庫調(diào)取，外部人員可以利用搜狗微信平臺(tái)進(jìn)行數(shù)據(jù)爬取。預(yù)處理階段是將非結(jié)構(gòu)化或半結(jié)構(gòu)化的文本數(shù)據(jù)轉(zhuǎn)換為結(jié)構(gòu)化信息，常用操作包括去除標(biāo)記、分詞、詞性標(biāo)注、去停用詞等，可以減少噪聲、提升文本質(zhì)量。文本特征化是將自然語言表示為計(jì)算機(jī)能夠識(shí)別處理的特征項(xiàng)，然后再對這些特征進(jìn)行降維處理。Word2vec模型的出現(xiàn)為文本向量化提供了便利，Word2vec可以根據(jù)給定的語料庫，利用訓(xùn)練好的模型快速有效地將一個(gè)詞語轉(zhuǎn)換成向量表達(dá)的形式，為后續(xù)的文本挖掘準(zhǔn)備。摘要抽取是核心階段，目前基于圖模型的自動(dòng)摘要方法比較常用，這種方法是將詞、句子等文本單元以及他們之間的相互關(guān)系作為頂點(diǎn)和邊，建立相應(yīng)的語言網(wǎng)絡(luò)圖模型，并從中識(shí)別出重要的句子，相關(guān)算法包括PageRank、LexRank和TextRank等。摘要抽取完成之后是效果檢驗(yàn)，對于較小的樣本量可以采用Edmundson方法進(jìn)行文本摘要效果評價(jià)方，即計(jì)算自動(dòng)文本摘要與人工摘要的句子平均重合率，對于樣本量較大的可以采用ROUGE方法，包括基于N-gram共現(xiàn)統(tǒng)計(jì)的ROUGE-N方法，基于最長公共子序列的ROUGE-L方法，基于對順序詞對統(tǒng)計(jì)的ROUGE-S方法等。

自動(dòng)化摘要技術(shù)作為知識(shí)集成組織的重要形式，可以協(xié)助用戶在較短時(shí)間內(nèi)快速了解文章內(nèi)容，解決知識(shí)過載和知識(shí)冗余等帶來的問題，極大地提高用戶閱讀及獲取知識(shí)的效率。引入自動(dòng)生成摘要技術(shù)實(shí)現(xiàn)微信公眾平臺(tái)知識(shí)資源序化組織，能夠有效解決文本知識(shí)冗余與人工閱讀能力有限之間的矛盾。