推进印地语文本摘要技术：命名实体识别与内容增强策略

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Advancing Hindi Text Summarization: Named Entity Recognition and Content Augmentation Strategies

Hindi文本摘要化研究提出NEA-ATS和QDCAS方法。NEA-ATS通过命名实体识别提升信息准确度但易破坏上下文，QDCAS采用主题相关网页爬取增强语境理解，有效提升ROUGE和BERTScore，为多语言应用提供新思路。

　　

摘要

我们研究了印地语文本摘要技术的进步，这是自然语言处理领域中的一个关键课题，有助于应对信息过载问题。尽管印地语数据量不断增加，但由于语言特征的复杂性以及资源相对有限（尤其是与英语相比），实际的摘要工具仍存在显著不足。以往的研究主要集中在提取式方法上，但近期向抽象式方法的转变有望通过理解和改写内容来生成更自然、更连贯的摘要。我们的研究提出了两种新的方法：实体驱动的抽象文本摘要（NEA-ATS）和基于查询的内容增强摘要（QDCAS），旨在提高印地语摘要的准确性和丰富性。NEA-ATS结合了命名实体识别技术，以优先处理关键信息，从而增强语言模型对重要细节的关注度，但有时会破坏文本的上下文。虽然NEA-ATS取得了一定进展，但其对文本上下文的干扰可能导致摘要质量的提升较为有限。

与此同时，QDCAS通过聚焦网络爬虫技术（有选择地收集特定主题的网页）为源文档补充相关内容，从而解决了现有模型中常见的问题（即“外部幻觉”现象），拓宽了模型的上下文理解能力并提升了输出质量。实证结果表明，QDCAS在ROUGE和BERT分数上优于传统语言模型，显示出一定的改进效果。这项工作推动了印地语文本摘要技术的发展，并探索了内容丰富的摘要策略，这些策略有望应用于其他语言和领域。