基础模型：BART
数据集：dennlinger/eur-lex-sum
语言：英语
任务标签：摘要生成
标签：

• 摘要生成
• 生成式摘要
• 混合式
• 多阶段

模型索引：

• 名称：BART
  结果：
  • 任务：
    类型：摘要生成
    名称：长法律文档摘要
    数据集：
    名称：eur-lex-sum
    类型：dennlinger/eur-lex-sum
    指标：
    • 类型：ROUGE-1
      值：0.45896475125147945
    • 类型：ROUGE-2
      值：0.19536601211197768
    • 类型：ROUGE-L
      值：0.21743714120418117
    • 类型：BERTScore
      值：0.8702187434921052
    • 类型：BARTScore
      值：-3.4154099993527196
    • 类型：BLANC
      值：0.10292031328498923

BART_no_extraction_V2 模型卡

模型详情

模型描述

此模型是BART的微调版本。研究采用多阶段摘要生成方法处理长法律文档。可再生能源领域的许多决策高度依赖法规，但这些法规通常冗长且复杂。所提出的架构首先使用一个或多个抽取式摘要步骤压缩源文本，最终由生成式摘要模型生成摘要。此微调的生成式模型在通过“无抽取模型”以“无比例”预处理的抽取式摘要数据集上训练而成。研究使用了多种抽取-生成式模型组合，详见https://huggingface.co/MikaSie。为获得最佳效果，请按设计方式向模型输入抽取式摘要！

该模型使用的数据集为EUR-lex-sum。评估指标见本模型卡的元数据。
本论文由乌得勒支大学的Mika Sie硕士论文与Power2x合作提出。更多信息见PAPER_LINK。

• 开发者：Mika Sie
• 资助方：乌得勒支大学 & Power2X
• 语言（NLP）：英语
• 微调基础模型：BART

模型来源

• 代码库：https://github.com/MikaSie/Thesis
• 论文：PAPER_LINK
• Streamlit演示：STREAMLIT_LINK

用途

直接使用

此模型可直接用于长法律文档的摘要生成。但建议先使用抽取式摘要工具（如“无抽取模型”）压缩源文本，再输入此模型。此模型专为处理抽取式摘要而设计。
使用Huggingface流水线的示例如下：

pip install bert-extractive-summarizer  

from summarizer import Summarizer  
from transformers import pipeline  

extractive_model = Summarizer()  

text = '待摘要的原始文档文本'  

extractive_summary = Summarizer(text)  

abstractive_model = pipeline('summarization', model = 'MikaSie/BART_no_extraction_V2', tokenizer = 'MikaSie/BART_no_extraction_V2')  

result = pipeline(extractive_summary)  

更多实现细节详见论文报告。

超出范围的使用

未使用抽取式摘要步骤直接使用此模型可能无法获得最佳效果。建议遵循模型描述中提出的多阶段摘要生成方法。

偏差、风险与限制

偏差

与任何语言模型一样，此模型可能继承训练数据中的偏差。需注意源文本中的潜在偏差并审慎评估生成的摘要。

风险

• 模型可能无法始终生成准确或全面的摘要，尤其是对复杂的法律文档。
• 模型可能生成不真实的信息。

限制

• 生成的摘要可能过于抽象或遗漏重要细节。
• 模型性能可能因输入的抽取式摘要质量与相关性而异。

建议

• 在关键任务中依赖摘要前，仔细审查和验证生成结果。
• 考虑结合人工审核或其他验证机制以确保摘要的准确性与完整性。
• 尝试不同的抽取式摘要模型或技术以找到最适合生成式模型的输入。
• 提供反馈并参与模型的持续研发，以帮助改进性能并解决限制。
• 基于此内容采取的任何行动均需自行承担风险。