Kuinka tiivistää tekstiä Pythonilla ja koneoppimisella

Tiivistäminen on hyvin yleinen tehtävä, jonka monet kehittäjät haluaisivat automatisoida. Eikö esimerkiksi olisi mukavaa luoda automaattisesti tiivistelmä jokaisesta kirjoittamastasi blogiartikkelista? Tai tiivistää automaattisesti asiakirjoja työntekijöillesi? Tonneittain hyviä sovelluksia on olemassa.

Bart Large CNN:n kaltaiset muuntajapohjaiset mallit helpottavat tekstin tiivistämistä Pythonissa. Nämä koneoppimismallit ovat helppokäyttöisiä mutta vaikeasti skaalattavia. Katsotaanpa, miten Bart Large CNN:ää käytetään ja miten sen suorituskyky optimoidaan.

Yhteenvedon kirjoittaminen

Transformers ja Bart Large CNN

Transformers on kehittynyt Python-kehys, jonka avulla on äskettäin voitu toteuttaa hyvin kehittyneitä luonnollisen kielen käsittelyn käyttötapauksia, kuten tekstin tiivistämistä.

Ennen Transformersia ja neuroverkkoja oli tarjolla pari vaihtoehtoa, mutta mikään niistä ei ollut todella tyydyttävä.

Viime vuosina on luotu monia hyviä valmiiksi koulutettuja luonnollisen kielen prosessointimalleja, jotka perustuvat Transformereihin ja jotka on tarkoitettu erilaisiin käyttötarkoituksiin. Facebook on julkaissut Bart Large CNN:n, joka antaa erinomaisia tuloksia tekstin tiivistämisessä.

Näin käytät Bart Large CNN:ää Python-koodissasi.

Tekstin tiivistäminen Pythonilla

Yksinkertaisin tapa käyttää Bart Large CNN:ää on ladata se Hugging Face -arkistosta ja käyttää Transformers-kirjaston tekstin tiivistämisputkea:

from transformers import pipeline

summarizer = pipeline("summarization", model="facebook/bart-large-cnn")

article = """New York (CNN)When Liana Barrientos was 23 years old, she got married in Westchester County, New York.
A year later, she got married again in Westchester County, but to a different man and without divorcing her first husband.
Only 18 days after that marriage, she got hitched yet again. Then, Barrientos declared "I do" five more times, sometimes only within two weeks of each other.
In 2010, she married once more, this time in the Bronx. In an application for a marriage license, she stated it was her "first and only" marriage.
Barrientos, now 39, is facing two criminal counts of "offering a false instrument for filing in the first degree," referring to her false statements on the
2010 marriage license application, according to court documents.
Prosecutors said the marriages were part of an immigration scam.
On Friday, she pleaded not guilty at State Supreme Court in the Bronx, according to her attorney, Christopher Wright, who declined to comment further.
After leaving court, Barrientos was arrested and charged with theft of service and criminal trespass for allegedly sneaking into the New York subway through an emergency exit, said Detective
Annette Markowski, a police spokeswoman. In total, Barrientos has been married 10 times, with nine of her marriages occurring between 1999 and 2002.
All occurred either in Westchester County, Long Island, New Jersey or the Bronx. She is believed to still be married to four men, and at one time, she was married to eight men at once, prosecutors say.
Prosecutors said the immigration scam involved some of her husbands, who filed for permanent residence status shortly after the marriages.
Any divorces happened only after such filings were approved. It was unclear whether any of the men will be prosecuted.
The case was referred to the Bronx District Attorney\'s Office by Immigration and Customs Enforcement and the Department of Homeland Security\'s
Investigation Division. Seven of the men are from so-called "red-flagged" countries, including Egypt, Turkey, Georgia, Pakistan and Mali.
Her eighth husband, Rashid Rajput, was deported in 2006 to his native Pakistan after an investigation by the Joint Terrorism Task Force.
If convicted, Barrientos faces up to four years in prison.  Her next court appearance is scheduled for May 18."""

summary = summarizer(article, max_length=130, min_length=30))

Lähtö:

Liana Barrientos, 39, is charged with two counts of "offering a false instrument for filing in the first degree" In total, she has been married 10 times, with nine of her marriages occurring between 1999 and 2002. She is believed to still be married to four men.

Kuten näet, tämä on vain 4 riviä Python-koodia, ja yhteenvedon laatu on erittäin hyvä! Mutta olet ehkä huomannut, että malli on suuri, joten sen lataaminen ensimmäisellä kerralla vie aikaa.

Min_length- ja max_length-parametrit ilmoittavat yhteenvedon pienimmän ja suurimman koon. Ne edustavat merkkien, ei sanojen, määrää. Merkki voi periaatteessa olla sana, mutta myös välimerkkejä tai alasanoja. Yleisesti ottaen voit katsoa, että 100 merkkiä vastaa suunnilleen 75 sanaa.

Tärkeä huomautus: syöttämäsi teksti ei voi olla yli 1024 merkkiä (vastaa suunnilleen 800 sanaa), koska tämä on tämän mallin sisäinen rajoitus. Jos haluat tiivistää suurempia tekstikappaleita, hyvä strategia on tiivistää useita tekstin osia itsenäisesti ja koota tulokset sitten uudelleen. Voit jopa tehdä yhteenvetoja yhteenvedoista!

Suorituskykyyn liittyvät näkökohdat

Tässä Bart Large CNN -mallissa on kuitenkin kaksi pääongelmaa.

Ensinnäkin, kuten monet syväoppimismallit, se vaatii huomattavan määrän levytilaa ja RAM-muistia (noin 1,5 Gt!). Ja tätä voidaan silti pitää pienenä syväoppimismallina verrattuna valtaviin malleihin, kuten GPT-3, GPT-J, T5 11B jne.

Vielä tärkeämpää on, että se on melko hidas. Tämä malli itse asiassa tuottaa tekstiä konepellin alla, ja tekstin tuottaminen on luonnostaan hidasta. Jos yrität tehdä yhteenvedon 800 sanasta koostuvasta tekstistä, se vie noin 20 sekuntia hyvällä suorittimella...

Ratkaisu on ottaa Bartin suuri CNN käyttöön GPU:lla. Esimerkiksi NVIDIA Tesla T4 -tietokoneella voit odottaa x10- kertaista nopeutusta, ja 800 sanan tekstikappaleen tiivistäminen kestää noin 2 sekuntia.

Näytönohjaimet ovat tietysti hyvin kalliita, joten sinun on tehtävä laskelmat ja päätettävä, onko investointi sen arvoinen!

Ulkoisen API:n hyödyntäminen tuotannossa

Tekstin tiivistäminen Bart Large CNN:n avulla on erittäin helppo käyttää yksinkertaisessa skriptissä, mutta entä jos sitä halutaan käyttää tuotannossa suureen määrään pyyntöjä?

Kuten edellä mainittiin, ensimmäinen ratkaisu olisi huolehtia oman laitteiston hankkimisesta GPU:lla ja tehdä joitakin tuotanto-optimointeja, jotta yhteenveto olisi nopeampaa.

Toinen ratkaisu olisi siirtää tämä tehtävä NLP Cloudin kaltaiselle palvelulle, joka tarjoaa Bart Large CNN -mallin sinulle API:n kautta. Testaa tiivistämisen API-päätepistettä täällä!

Päätelmä

Vuonna 2022 on mahdollista tehdä edistynyttä tekstin tiivistämistä Pythonilla hyvin pienellä vaivalla Transformersin ja Bart Large CNN:n ansiosta.

Tekstin tiivistäminen on erittäin hyödyllinen tehtävä, jonka yhä useammat yritykset automatisoivat sovelluksissaan. Kuten näet, monimutkaisuus tulee suorituskyvyn puolelta. Joitakin tekniikoita on olemassa tekstin tiivistämisen nopeuttamiseksi Bart Large CNN:n avulla, mutta tämä on toisen artikkelin aihe!

Toivottavasti tämä artikkeli auttaa sinua säästämään aikaa seuraavassa projektissasi! Kokeile tekstin tiivistämistä NLP Cloudissa!

Julien Salinas
teknologiajohtaja, NLP Cloud