kaz29Вестник Казахстанско-Британского технического университетаHerald of the Kazakh-British Technical University1998-66882959-8109Казахстанско-Британский Технический Университетkaz29-164Research ArticleФИЗИКО-МАТЕМАТИЧЕСКИЕ И ТЕХНИЧЕСКИЕ НАУКИPHYSICAL, MATHEMATICAL AND TECHNICAL SCIENCESОБЗОР РАЗЛИЧНЫХ МЕТОДОВ ОБОБЩЕНИЯ ТЕКСТАOVERVIEW OF THE DIFFERENT TEXT SUMMARIZATION METHODSДауитД. М.DauitD.

магистрант

КемаловМ. М.KemalovM.

магистрант

ДжаксылыковаА. Б.JaksylykovaA.

докторант

АО "КБТУ"КазахстанKazakh-British Technical UniversityKazakhstanКазахский Национальный университет им. аль-Фараби, Институт информационных и вычислительных технологийКазахстанKazakh-British Technical UniversityKazakhstan202007112021172163168Copyright © Дауит Д.М., Кемалов М.М., Джаксылыкова А.Б., 20212021Дауит Д.М., Кемалов М.М., Джаксылыкова А.Б.Dauit D., Kemalov M., Jaksylykova A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.kbtu.edu.kz/jour/article/view/164

Суммаризация текста является одной из основных проблем, поскольку имеет широкий диапазон использования в различных областях, и наиболее важно иметь улучшенный механизм для быстрого и эффективного извлечения информации. Извлечение резюме из всего этого доступного источника текстовых данных вручную очень сложно. Для того, чтобы показать способы решения проблемы суммирования текста, в данной статье представлен краткий обзор различных методов суммирования текста, таких как MatchSum (Zhong et al., 2020), BertSumExt (Liu и Lapata 2019) и SemSim (Yoon et al., 2020). ), которые показали наилучшие результаты в обобщении текста. В данной статье рассматриваются эти модели, показаны их преимущества и недостатки, и даются предположения, как можно улучшить суммаризацию текста.

Text summarization is one of the major problems because it has a high range of usage in various fields, it is most important to have an improved mechanism for the fastest and most effective extraction of the information. The extraction of the summary from all that available source of text data by hand is very difficult. In order to show the ways for solving the text summarization, this paper presents a brief survey of various text summarization methods like MatchSum (Zhong et al., 2020), BertSumExt (Liu and Lapata 2019) and SemSim (Yoon et al., 2020) which has shown the leading results in extractive and abstractive text summarization. This paper reviews those models and shows their advantages and disadvantages, makes a guess how text summarization can be improved.

методы суммирования текстаобработка на естественном языке (NLP)BertSumExtMatchSumSemSimtext summarization methodsnatural language processing (NLP)BertSumExtMatchSumSemSim)ReferencesLewis M. et al. Bart: Denoising sequence-to-sequence pre-training for natural language generation, translation, and comprehension //arXiv preprint arXiv: 1910.13461. – 2019.Lewis M. et al. Bart: Denoising sequence-to-sequence pre-training for natural language generation, translation, and comprehension //arXiv preprint arXiv: 1910.13461. – 2019.Hermann K. M. et al. Teaching Machines to Read and Comprehend. arXiv. – 2015.Hermann K. M. et al. Teaching Machines to Read and Comprehend. arXiv. – 2015.Zhong M. et al. Extractive Summarization as Text Matching //arXiv preprint arXiv:2004.08795. – 2020.Zhong M. et al. Extractive Summarization as Text Matching //arXiv preprint arXiv:2004.08795. – 2020.Liu Y., Lapata M. Text summarization with pretrained encoders //arXiv preprint arXiv:1908.08345. – 2019.Liu Y., Lapata M. Text summarization with pretrained encoders //arXiv preprint arXiv:1908.08345. – 2019.Yoon, Wonjin, et al. Learning by Semantic Similarity Makes Abstractive Summarization Better. 2020, http://arxiv.org/abs/2002.07767.Yoon, Wonjin, et al. Learning by Semantic Similarity Makes Abstractive Summarization Better. 2020, http://arxiv.org/abs/2002.07767.NLP progress, summarization. URL: http://nlpprogress.com/english/summarization.htmlNLP progress, summarization. URL: http://nlpprogress.com/english/summarization.html

The authors declare that there are no conflicts of interest present.