BART No Extraction V2

🚀 BART_no_extraction_V2 模型卡片

本模型是用於長法律文檔摘要生成的微調模型，採用多步摘要方法，結合提取式和抽象式摘要技術，能有效壓縮並提煉長法律文本，為可再生能源領域的決策提供有力支持。

📦 模型信息

模型評估結果

✨ 主要特性

• 多步摘要方法：先使用提取式摘要步驟壓縮源文本，再由抽象式摘要模型生成最終摘要。
• 特定數據集訓練：在經過提取式摘要預處理的 EUR-lex-sum 數據集上進行訓練。
• 多種模型組合：研究使用了多種提取 - 抽象式模型組合，可在 https://huggingface.co/MikaSie 查看。

📚 詳細文檔

模型描述

此模型是 BART 的微調版本，用於長法律文檔的多步摘要。在可再生能源領域，許多決策嚴重依賴法規，但這些法規往往冗長複雜。該模型架構先通過一個或多個提取式摘要步驟壓縮源文本，再由抽象式摘要模型生成最終摘要。這個微調的抽象式模型在經過無提取模型以無比例比例進行提取式摘要預處理的數據集上進行訓練。研究使用了多種提取 - 抽象式模型組合，可在 https://huggingface.co/MikaSie 找到。為獲得最佳結果，請向模型輸入提取式摘要，因為它是為此設計的！

該模型使用的數據集是 EUR-lex-sum 數據集，評估指標可在本模型卡片的元數據中找到。此研究來自 Utrecht 大學的 Mika Sie 與 Power2x 合作的碩士論文，更多信息可在 PAPER_LINK 中找到。

• 開發者：Mika Sie
• 資助方：Utrecht 大學 & Power2X
• 語言（NLP）：英語
• 微調基礎模型：BART

模型來源

• 代碼倉庫：https://github.com/MikaSie/Thesis
• 論文：PAPER_LINK
• Streamlit 演示：STREAMLIT_LINK

💻 使用示例

基礎用法

pip install bert-extractive-summarizer

from summarizer import Summarizer
from transformers import pipeline

extractive_model = Summarizer()

text = 'Original document text to be summarized'

extractive_summary = Summarizer(text)

abstractive_model = pipeline('summarization', model = 'MikaSie/BART_no_extraction_V2', tokenizer = 'MikaSie/BART_no_extraction_V2')

result = pipeline(extractive_summary)

更多實現信息可在論文報告中找到。

注意事項

⚠️ 重要提示

直接使用此模型而不進行提取式摘要步驟可能無法獲得最佳結果，建議按照模型描述中提出的多步摘要方法使用。

💡 使用建議

• 在依賴生成的摘要進行關鍵任務之前，仔細審查和驗證。
• 考慮將模型與人工審查或其他驗證機制結合使用，以確保摘要的準確性和完整性。
• 嘗試不同的提取式摘要模型或技術，為抽象式模型找到最合適的輸入。
• 提供反饋並參與模型的持續研究和開發，以幫助提高其性能並解決其侷限性。
• 基於此內容採取的任何行動均由您自行承擔風險。