项目理念|文本摘要器

项目名称： 文本摘要器 导言： 今天，我们知道机器已经变得比我们更聪明，可以在生活的各个方面帮助我们，技术已经达到了可以完成人类所有任务的程度，比如家务、控制家用设备、预约等等。实现这些事情的领域是机器学习。机器学习用一些数据来训练机器，使其在被类似类型的数据测试时能够起作用。这些机器已经能够通过自然语言处理来理解人类语言。如今，文本分析领域正在进行研究。 正如项目标题所示，文本摘要器是一个基于web的应用程序，有助于总结文本。我们可以上传数据，这个应用程序可以按照我们想要的行数为我们提供数据摘要。该产品主要是使用深度学习概念的文本总结。主要目的是根据用户的选择提供可靠的网页摘要或上传的文件。不必要的句子将被丢弃，以获得最重要的句子。

该产品包括以下内容 组件： 文本分析器： 它将把课文分成段落、句子和单词。 •HTML解析器：用于从网页URL提取文本，使用HTML解析器库。HTML解析是接收HTML代码并提取相关信息，如页面标题、页面中的段落、页面中的标题、链接、粗体文本等。 •文档解析器：该库用于从文档中提取文本。使用文档解析器接口，文档解析器可以访问分配给文档的内容类型，并将内容类型存储在文档本身中。此外，文档解析器可以更新存储在文档中的内容类型定义，使其与列表或文档库使用的内容类型定义的版本相匹配。

特征向量创建者： 该组件将计算并获得句子的特征表示。

自动编码器： 深度学习的根本部分。Autoencoder提供给定句子的压缩表示。

NLTK： Nltk是自然语言工具包库。它是一个用于构建Python程序以与人类语言协同工作的平台。它为50多个语料库和词汇资源（如WordNet）提供了易于使用的界面，以及一套用于分类、标记、词干分析、标记、解析和语义推理的文本处理库、工业级NLP库的包装，以及一个活跃的讨论论坛。在文本摘要程序中，该库用于删除英语词汇表中的停止词，并将这些词转换为词根形式。

LSM汇总器： 此库用于创建提取文本的摘要。

分类器： 分类器确定一个句子是否为摘要句。

文本类： 文本类是系统中最复杂的类。它有段落、句子和单词。为了将文本分成这些部分，text类应该有解析器方法。此外，这个类中还有许多句子和段落属性。这些属性是计算句子特征所必需的。

段落类别： 段落类是系统的中间类。在段落宾语中，对句子特征进行了一些必要的计算，例如段落中句子的数量和段落在文本中的排名。语法分析器也要把它分成自己的句子。

句子类别： 句子类是系统中最重要的一类。句子对象有方法利用从文本、段落和词类中获取的信息来计算自身的特征值。它有一个名为“功能”的浮动列表。“特征”列表包含句子的特征值。该系统将文本中句子对象的“特征”列表结合起来，并用它们构成一个特征矩阵。上述自动编码器和分类器组件使用该特征矩阵。句子类也有自己的解析器来将句子分解成单词。

词类： Word类是系统中最基本的类。使用NLP API，我们可以获得单词的词根、词干和后缀部分，以及单词的类型，如动词或名词。还可以使用Word2Vec API计算两个单词之间的余弦距离。这些属性用于计算句子的特征值。

特征： 主页：主页只显示应用程序上可用的所有内容。 服务： 它告诉应用程序提供的服务。这些服务包括文档摘要、网页摘要和安全交互。汇总的数据将被邮寄到用户的电子邮件中，用户通过该电子邮件进行了注册。

文件夹： 它给出了不同类型数据的文本摘要的一些实例。

演示： 它提供了一个无需创建帐户即可获取摘要的平台。它会询问你的文本和行数，即你想要的摘要行数。

登录并注册： 它可以帮助您在文本摘要器web应用程序上创建一个帐户，这样您就可以收到一封关于结果的电子邮件。

使用的工具： •该框架的后端是使用Pycharm IDE在Django framework for Python3中编写的。 •前端由CSS和Bootstrap管理。

应用：

1. 人们需要从文本中学到很多东西。但他们倾向于在做这件事时花更少的时间。
2. 它的目的是通过向他们提供他们想要获得信息的文本摘要来解决这个问题。
3. 本项目的目标是，这些总结在文本意图方面尽可能重要。
4. 用户将有资格选择摘要长度。
5. 为用户提供一个流畅清晰的界面。
6. 配置快速回复服务器系统。

团队成员：

1. 罗汉·皮普拉尼
2. 米纳尔·加巴

注： 这个项目的想法是为了 ProGeek Cup 2.0——Geeksforgeks举办的项目竞赛。