《Nanomaterials》：Zero-Gap Tandem Photoelectrochemical Cell Based on Nanostructured WO3 and CuFe2O4 Photoelectrodes and a Proton-Exchange Membrane: Bias-Free Photoelectrochemical Operation and Degradation Analysis
编辑推荐：
随着数字信息量的指数级增长，能够提供简洁、信息丰富、连贯且减少冗余信息的多文档文本摘要（Multi-Document Text Summarization）技术需求日益迫切。传统的抽取式摘要（Extractive Summarization）方法通常基于统计方
随着数字信息量的指数级增长，能够提供简洁、信息丰富、连贯且减少冗余信息的多文档文本摘要（Multi-Document Text Summarization）技术需求日益迫切。传统的抽取式摘要（Extractive Summarization）方法通常基于统计方法分别实现句子重要性最大化或句子排序，难以准确估计句子重要性，也无法为决定句子重要性的特征设置合适权重。本文旨在克服这些缺陷，引入了一种用于抽取式多文档文本摘要的混合模糊-鲸鱼优化算法（Fuzzy–Whale Optimization Algorithm, F-WOA）模型。研究人员利用鲸鱼优化算法（Whale Optimization Algorithm, WOA）优化所提取特征的权重，并利用Mamdani模糊推理系统（Mamdani Fuzzy Inference System, MFIS）根据加权特征估计每个句子的重要性。首先，对所有输入文档进行预处理，并提取八个语言学与统计学特征。每个候选权重向量通过MFIS传递加权特征进行评估，并测量所得摘要的主题相关性、凝聚性和可读性。最优权重随后被MFIS用于句子评分，排名靠前的非冗余句子构成最终摘要。实验在基准数据集DUC-2002、DUC-2004、DUC-2006和DUC-2007上开展，采用ROUGE-1、ROUGE-2和ROUGE-L评估指标。实验结果表明，ROUGE-1、ROUGE-2和ROUGE-L的F分数（F-score）分别高达50.79、25.60和31.75。对比分析表明，与仅使用WOA且通过特征加权和进行句子打分的变体相比，将模糊逻辑（Fuzzy Logic）集成到WOA中能够提升摘要质量。
随着互联网信息的爆炸式增长，从海量文档集合中自动获取核心内容的需求日益迫切。自动文本摘要（Automatic Text Summarization, ATS）作为自然语言处理（Natural Language Processing, NLP）的重要应用，能够在保留源文档关键信息的前提下生成简洁表述。其中，抽取式摘要（Extractive Summarization）通过筛选原文中信息量最大的句子构成摘要，因其实现简单、忠实于源文本而备受关注。然而，现有抽取式方法仍面临显著瓶颈：传统统计与图基方法（如LexRank、TextRank）主要依赖启发式规则进行句子排序，难以量化句子重要性的内在不确定性，且无法为各特征分配最优权重；基于模糊逻辑的方法虽可通过语言规则处理不确定性，但多采用贪婪策略选择句子，缺乏对摘要整体质量的优化；元启发式算法（如遗传算法、粒子群优化）虽能全局搜索句子子集，却常基于传统统计分数，未能将不确定性感知融入优化过程。因此，如何协同特征权重全局优化与句子重要性的非线性推理，成为提升多文档摘要质量的关键科学问题。
针对上述挑战，研究人员提出了一种融合模糊逻辑与鲸鱼优化算法（Whale Optimization Algorithm, WOA）的混合抽取式多文档摘要模型，即模糊-鲸鱼优化算法（Fuzzy–Whale Optimization Algorithm, F-WOA）。该研究将WOA的全局搜索能力与Mamdani模糊推理系统（Mamdani Fuzzy Inference System, MFIS）的非线性评估能力相结合：首先通过WOA在特征权重空间中进行元启发式寻优，以候选摘要的主题关联度、凝聚性和可读性为适应度函数；随后利用MFIS对优化后的加权特征进行模糊推理，实现句子重要性的不确定性感知评分，最终通过冗余过滤生成最终摘要。该研究为多文档摘要提供了一种可解释性强、优化效率高的建模范式，对推动自动摘要从启发式规则向数据与知识混合驱动发展具有重要意义。
研究人员开展研究主要依托以下关键技术方法：首先，采用文档预处理流程，包括大小写转换（Case Conversion）、分词（Tokenization）、停用词去除（Stop-Word Removal）和词干提取（Stemming），随后提取句子位置、二元与三元组（Bigrams & Trigrams）、词频-逆文档频率（Term Frequency-Inverse Document Frequency, TF-IDF）、余弦相似度（Cosine Similarity）、主题得分、句子长度、专有名词得分（Proper Noun Score）及数字令牌（Numeric Token）共八类特征，并归一化构建特征矩阵。其次，基于座头鲸气泡网捕食行为构建WOA框架，将每个候选解编码为特征权重向量，通过猎物包围、螺旋更新和随机搜索三个阶段迭代更新，并以主题关联因子（Topic Relation Factor, TRF）、凝聚因子（Cohesion Factor, CF）和可读性因子（Readability Factor, RF）构成多目标适应度函数。再次，引入MFIS将八维权值特征映射为低、中、高三个语言输入变量，依据领域专家手工编写的规则库进行模糊推理，经去模糊化（Defuzzification）输出坏、一般、好的精确句子得分。最后，通过设定冗余阈值过滤相似句子，按原始文档顺序抽取前k个句子生成摘要。实验数据来源于美国国家标准与技术研究院（National Institute of Standards and Technology, NIST）发布、文档理解会议（Document Understanding Conference, DUC）提供的DUC-2002、DUC-2004、DUC-2006和DUC-2007基准数据集，采用ROUGE-1、ROUGE-2和ROUGE-L指标进行评价。
文本预处理与特征工程
研究人员对输入文档实施系统化的预处理，通过分词、去停用词和词干提取消除噪声，并构建包含八类语言学或统计特征的归一化特征矩阵。该步骤确保了后续优化和推理过程中各特征处于同一量纲，为精确的句子重要性评估奠定了数据基础。
WOA特征权重优化
在优化阶段，每一头鲸鱼代表一个候选特征权重向量。研究人员通过包围猎物、气泡网攻击（包括缩小包围圈和螺旋更新）及随机搜索三个阶段迭代寻优。以候选摘要经MFIS评分后构建的中间摘要质量为适应度，WOA能够在高维权重空间中定位使主题关联、文本凝聚与可读性综合最优的权重配置，有效避免陷入局部最优。
模糊推理与句子评分
MFIS接收WOA优化后的加权特征，通过三个语言输入变量（低、中、高）与三个输出等级（坏、一般、好）之间的预定义IF-THEN规则进行推理。该机制将语言学与统计特征的主观交互作用转化为可解释的重要性得分，相比传统线性加权和显著增强了模型对特征不确定性的处理能力。
消融实验与对比分析
在DUC数据集上的系统评估表明，F-WOA在DUC 2002、DUC 2004和DUC 2006上分别取得ROUGE-1 F分数49.7、43.89和50.38，在DUC 2007上ROUGE-2 F分数达25.29。具体而言，DUC 2002上F-WOA优于ICSI（44.34）和LexRank（43.11）；DUC 2004上较萤火虫算法（Firefly Algorithm, FA）ROUGE-1提升8.43，ROUGE-2提升4.23；DUC 2006上ROUGE-1较LexRank提升7.38；DUC 2007上较Event Sum ROUGE-2提升7.39。消融实验进一步证实，与仅使用WOA线性加权和的模型相比，集成模糊逻辑的F-WOA通过非线性不确定性感知评分，显著提升了摘要的信息覆盖度与连贯性。
本文提出的F-WOA模型通过元启发式全局优化与模糊非线性推理的深度融合，有效克服了抽取式多文档摘要中特征权重设置主观性强及句子重要性评估不准确的缺陷。研究结论表明，WOA能够为MFIS搜索到最优特征权重配置，而MFIS的可解释规则库则弥补了线性模型无法捕捉特征间复杂交互的不足，两者协同显著增强了摘要的主题相关性、连贯性与信息覆盖度。该研究为自动文本摘要提供了一种兼具可解释性与优化效率的混合建模范式。然而，当前方法仍依赖手工设计的模糊规则与静态特征集，未来研究可进一步引入上下文句子嵌入与Transformer语言模型以增强语义表示，并采用多目标优化策略同时优化信息覆盖、冗余抑制及语义可读性，从而推动抽取式摘要向更深层次的语义理解方向发展。
