6.2 摘要与信息提取

6.2.1 抽取式方法

抽取式方法从原文中选择重要句子或段落，保持原文表述。

关键句提取

基于句子重要性评分选择关键句：

TextRank 算法

借鉴 PageRank 思想，根据句子之间的相似度构建图，计算每个句子的中心性分数。

基于嵌入的方法

1. 计算每个句子的嵌入向量

2. 计算句子与文档整体的相似度

3. 选择相似度最高的句子

关键片段提取

提取包含关键信息的文本片段：

• 包含实体的句子

• 包含数字和日期的句子

• 定义性语句

抽取式方法的优缺点

优点：
- 保持原文表述，准确性高
- 计算成本相对较低
- 可追溯到原文

缺点：
- 可能不够连贯
- 无法重组或精简表达
- 受限于原文的表述质量

6.2.2 生成式方法

使用语言模型生成新的精简表述。

LLM 摘要

直接使用 LLM 生成摘要：

请将以下内容总结为不超过 200 字的摘要，保留关键信息：
[原始内容]

技巧：

• 明确指定输出长度

• 指明需要保留的信息类型

• 提供输出格式要求

递进式摘要

对于超长文档，采用递进压缩：

1. 将文档分成多个段落

2. 分别生成段落摘要

3. 合并段落摘要

4. 可选：对合并结果再次摘要

多级摘要

生成不同详细程度的摘要，按需使用：

级别	长度	用途
标题	10-20 词	快速索引
简述	50-100 词	概览
详情	200-500 词	深入了解

生成式方法的优缺点

优点：
- 表述更连贯流畅
- 能够重组和精简
- 可按需定制输出

缺点：
- 可能引入新的错误
- 需要额外的 LLM 调用成本
- 可追溯性较弱

6.2.3 信息提取

从文本中提取结构化信息，是另一种压缩形式。

实体提取

提取关键实体：人名、地名、时间、数值等。

输入：2026年3月，张三在北京发布了新产品，售价1999元。
输出：
- 人物：张三
- 地点：北京
- 时间：2026年3月
- 价格：1999元

关系提取

提取实体之间的关系：

输入：李四是A公司的CEO，该公司总部位于上海。
输出：
- (李四, 职位, A公司CEO)
- (A公司, 总部, 上海)

事实提取

提取关键事实点：

输入：[长篇报告...]
输出：
1. 2025年营收增长15%
2. 新增用户100万
3. 计划明年进入欧洲市场

6.2.4 最佳实践

1. 根据场景选择方法

不同的压缩方法适合不同场景，选错方法会导致效果大打折扣。需要精确引用原文（如法律、医疗场景）时使用抽取式，保证信息准确；需要流畅表达（如给用户的摘要）时使用生成式；需要结构化处理（如数据分析）时使用信息提取。常见错误是不加区分地使用同一种方法，导致需要引用时找不到原文，需要连贯时读起来支离破碎。

2. 组合使用多种方法

单一方法往往难以兼顾多个目标，组合使用能发挥各自优势。典型模式是：先用抽取式选出关键段落，再用生成式整合为连贯摘要；或者生成摘要的同时，附上结构化的关键事实列表。这样既保证信息的可追溯性，又提供流畅的阅读体验。组合时注意控制总长度，避免压缩后反而变长。

3. 保留元信息以便追溯

压缩后的内容应该能追溯到原始来源。记录摘要来自哪份文档、第几页或第几段；标注使用的压缩方法（抽取/生成/提取）和生成时间。这些元信息在调试问题时非常有价值——当输出不准确时，可以快速定位是原始数据问题还是压缩过程引入的偏差。元信息的存储成本很低，但排查问题时能节省大量时间。

4. 建立质量验证机制

压缩必然带来信息损失，需要验证损失是否在可接受范围内。建立定期抽样检查机制，人工对比压缩前后的内容，评估关键信息是否保留。更重要的是对比压缩前后的任务效果——如果压缩后模型的回答质量明显下降，说明压缩过度或方法不当。用 A/B 测试量化压缩对最终效果的影响，找到压缩率与质量的最佳平衡点。