简介基于深度学习的文本摘要自动生成项目依托Transformer模型解决长文本的关键信息提取与摘要生成问题是面向本科毕业设计的完整实践方案。压缩包共34个文件以18个Python脚本为核心涵盖数据预处理、模型构建、训练评估、beam search解码等完整流程另有Shell脚本、配置文件和词表等便于一键运行与复现。项目还包含测试用例和CI脚本支持Docker部署降低环境配置门槛并提供web演示接口可直观查看摘要生成效果。已有3569人学习浏览。通过研读源码和实际操作可掌握分词建表、序列化输入、自注意力机制、编码器-解码器结构及ROUGE/BLEU评价指标的使用还能熟悉PyTorch或TensorFlow框架下的训练调试细节并理解批处理、优化器配置等工程实现为毕业设计答辩和后续NLP深入研究打下扎实基础。1. 文本摘要没你想的那么“自动”一个本科毕设的真实复杂度做个基于深度学习的文本摘要自动生成系统听起来就是“喂一堆文章模型自己输出几句话”。等你真把需求拆开就会发现这行字背后至少压着四件事选哪种摘要方案、把数据洗干净、让模型在有限算力下跑起来、再用一套能说服答辩老师的评估方式证明它有效。自然语言处理这个方向里文本摘要属于“入门容易、做深极难”的题目本科毕设做到及格线不难想做到有结论、有对比、有分析就需要把每一步的边界都想清楚。这篇文章适合两类人一类是正在开题、想选文本摘要但还没确定技术路线的学生另一类是已经跑通了最小demo、卡在“loss降了但输出没法看”的实践者。我会按自己做项目的习惯从选型讲到数据管线再给一个基于PyTorch的最小生成式摘要实现最后用排障记录和评估技巧收尾。这里没有玄学只有每一步的取舍和参数依据。2. 先分清要做哪种摘要抽取式与生成式的选型以及它的核心原理2.1 抽取式为什么是毕设的安全起点文本摘要自动生成在落地时被分成两条路线抽取式和生成式。抽取式不做“创作”它从原文里挑出重要的句子拼成摘要。生成式则是让模型“重写”一段话词不一定要原封不动。本科毕设选哪条直接决定你后面所有工作量。抽取式的优势是逻辑简单、可控性强。你只需要一个句子重要性打分模型常见做法是把句子表示成向量再用一个二分类或回归头打分最后按分数挑Top-K句。这类方案可以用TextRank这种无监督方法先做基线再换用BertSentenceExtractor之类的有监督模型。它的可解释性也好——答辩时你能指出“摘要里第三句来自原文第二段”老师一听就懂。但抽取式有个天花板它永远无法产生原文里没有的词。如果一句话在原文里是分散的抽取式只能整句拿到摘要的连贯性和信息密度都不如生成式。毕设里如果你的指导老师要求“体现深度学习的价值”抽取式很容易被质疑“这不就是排序模型吗”。所以我的建议是如果时间充足最终目标还是要落在生成式上如果只剩三周抽取式足够让你顺利毕业。2.2 生成式必备的编码-解码与注意力机制生成式文本摘要的基本框架是Sequence-to-Sequence。编码器把整篇源文档压缩成一个语义向量序列解码器逐个生成目标摘要的词。这个框架里注意力机制是转折点——没有注意力的Seq2Seq面对长文档时会把信息压丢生成结果几乎不可读。注意力机制可以通俗理解为解码器在生成第t个词时会回头去看编码器的每个隐藏状态并分配一个权重。权重大的位置对应原文里对当前这个词最有帮助的片段。对文本摘要来说注意力不仅提升质量还能让你可视化“模型在看哪里”这个图放进毕设论文里很加分。到了2017年之后Transformer结构逐渐取代了LSTM。Transformer用self-attention直接建模任意两个位置的关系解决长距离依赖比LSTM更高效。做毕设时我不建议直接从头实现Transformer再预训练那是几个月的工作量。更合理的路径是用PyTorch实现一个基于LSTM的经典Bahdanau Attention模型作为基准再加载一个预训练的BART或T5轻量版做对比。这样论文里既有传统的“我亲手实现的模型”又有“我微调了预训练模型”深度和广度都有了。2.3 评估指标不是BLEU就够了ROUGE的计算逻辑很多人第一次听到“文本摘要评估”会觉得用BLEU就行毕竟机器翻译也用它。但BLEU更看重n-gram精确率也就是生成结果里有多少词和参考摘要重合而摘要场景里召回率同样重要——原文里的关键信息如果没被摘出来就算措辞再漂亮也是漏报。所以领域里最常用的是ROUGE指标ROUGE-L基于最长公共子序列ROUGE-N基于n-gram重叠各有侧重。ROUGE-L的计算并不复杂对模型生成的摘要和参考摘要求它们的最长公共子序列长度再算F1值。这个指标能捕捉句子的词序信息又不像ROUGE-2那样对词汇变化太敏感。毕设里你至少需要报告ROUGE-1、ROUGE-2和ROUGE-L三个值一起看才有意义——如果你只提ROUGE-L答辩老师可能会问“为什么不用ROUGE-2”你要能说出“ROUGE-2对同义词替换更敏感”这类理由。实现ROUGE不建议自己造轮子直接用评估库即可。常用的是rouge-score这个Python包它支持中文和英文而且计算方式和论文对齐。安装后写一个小脚本把每篇测试样本的生成摘要和参考摘要都算一遍最后输出宏平均。注意ROUGE对空白和标点敏感算之前要做统一的分词或分字操作否则数字会异常偏低。3. 让模型吃上干净数据CNN/Daily Mail 数据集的预处理管线3.1 原始数据长什么样要处理成什么做生成式摘要最常用的英文数据集是CNN/Daily Mail每篇样本包含article正文和highlights摘要。这个数据集原本用于阅读理解后来被借用到摘要任务所以文本里有大量实体替换的符号entity1使用时一般要还原或去掉。中文场景可以用LCSTS它是微博摘要数据集质量尚可但噪声偏多。本科毕设建议先用英文数据集跑通再换中文验证泛化性。拿到原始数据后第一件事是统一格式。常见做法是写一个预处理函数把article压缩成连续文本去掉过长的段落把multiple blanks替换成单个空格。这里有个参数值得注意源文档最大长度。新闻原文通常上千词但受限于显存和你用的模型结构必须截断。我用LSTM时通常设max_src_len512注意512词不是字符如果发现很多样本被截掉关键信息再提升到768同时观察显存。处理后的数据要存成什么格式常见做法是每一行一个JSON对象字段包括id、source、target。这样后续可以用datasets库直接加载也方便断点重跑。我一般会额外存一份统计信息比如长度分布用来决定截断阈值。import json import re def clean_text(text, max_len512): # 统一空格、去掉换行里的多余空白 text re.sub(r\s, , text.strip()) # 简单截断到最大长度 return text[:max_len] def build_jsonl(raw_path, out_path, max_src_len512, max_tgt_len128): with open(raw_path, encodingutf-8) as fin, open(out_path, w, encodingutf-8) as fout: for line in fin: item json.loads(line) src clean_text(item[article], max_src_len) tgt clean_text(item[highlights], max_tgt_len) if len(src.strip()) 50 or len(tgt.strip()) 5: continue # 太短的数据没有训练价值 fout.write(json.dumps({id: item[id], source: src, target: tgt}, ensure_asciiFalse) \n)这段代码的关键是continue条件丢弃源文太短或摘要太短的样本。源文不足50词摘要模型学的只是短句拼接没意义摘要不足5词loss里几乎全是位置信息模型容易过拟合到“输出很短”。截断参数要根据你的数据分布调如果数据本来就长max_src_len可以提到768但不要拍脑袋设成1024——LSTM处理1024词的复杂度会翻倍训练时间可能直接劝退。3.2 构建词表、截断与填充max_len怎么定数据清洗完下一个关键动作是构建词表。这里有个常见误区直接用全量词表。实际应该按词频截断设定vocab_size30000或50000把出现次数低于阈值的词替换成unk。对文本摘要来说生僻的人名和地点没有太多语义贡献保留它们反而让embedding矩阵过大。这个阈值就是min_freq3你可以统计后决定一般3到5比较合理。构建词表时还要预定义几个特殊tokenpad、bos、eos、unk。解码器生成时以bos开始直到生成eos或达到最大长度。后面训练循环里会用这些token做掩码。from collections import Counter def build_vocab(tokenized_lines, vocab_size30000, min_freq3): counter Counter() for line in tokenized_lines: counter.update(line) # 过滤掉低频词 vocab {pad: 0, bos: 1, eos: 2, unk: 3} idx 4 for word, freq in counter.most_common(vocab_size - 4): if freq min_freq: continue vocab[word] idx idx 1 return vocabvocab_size和min_freq是一对需要联动的参数。vocab_size设得大词表能覆盖更多词但embedding层参数量变大min_freq设得高词表更干净但更多的词会被退化成unk。一个比较保守的做法是先看数据里的词汇总量如果总量不到5万就设vocab_size30000如果总量很大再降min_freq而不是拔高vocab_size。原因是词频超低的词放在词表里模型大概率学不到它们的有效embedding还容易造成训练后期显存不必要的占用。3.3 用PyTorch DataLoader组织训练批次预处理做完数据要变成张量才能进模型。这个环节最容易被忽略的坑是批次不齐导致填充过多。假设一批里有两条样本一条200词一条400词如果直接填充到400短的样本一半位置都是pad注意力机制会花大量权重去关注这些无效位置。应对办法是按长度排序在同一个batch内限制长度差距或者使用padding策略配合pack_padded_sequence。PyTorch里最简单的处理是自定义collate_fn。它会接收一个batch的样本列表负责把文本转成张量做padding。我这里给出一个直接能用的版本import torch from torch.utils.data import Dataset, DataLoader class SummarizationDataset(Dataset): def __init__(self, jsonl_path, vocab, max_src_len512, max_tgt_len128): self.samples [] self.vocab vocab self.max_src_len max_src_len self.max_tgt_len max_tgt_len with open(jsonl_path, encodingutf-8) as f: for line in f: item json.loads(line) src_ids [vocab.get(w, vocab[unk]) for w in item[source].split()[:max_src_len]] tgt_ids [vocab[bos]] [vocab.get(w, vocab[unk]) for w in item[target].split()[:max_tgt_len]] tgt_ids tgt_ids[:-1] # 返回给loss时每个位置预测下一个词 self.samples.append((src_ids, tgt_ids)) def __len__(self): return len(self.samples) def __getitem__(self, idx): return self.samples[idx] def collate_fn(batch, pad_idx0): src_ids [item[0] for item in batch] tgt_ids [item[1] for item in batch] src_len torch.tensor([len(x) for x in src_ids]) tgt_len torch.tensor([len(x) for x in tgt_ids]) src_padded torch.nn.utils.rnn.pad_sequence([torch.tensor(x) for x in src_ids], batch_firstTrue, padding_valuepad_idx) tgt_padded torch.nn.utils.rnn.pad_sequence([torch.tensor(x) for x in tgt_ids], batch_firstTrue, padding_valuepad_idx) return src_padded, tgt_padded, src_len, tgt_len这里的关键参数是max_src_len和max_tgt_len它俩直接决定你对“长文档摘要”的覆盖程度。max_tgt_len设成128意味着生成摘要最多128个token——新闻摘要一般够用如果你做的是论文摘要可能要192甚至256。另外注意tgt_ids tgt_ids[:-1]这行训练时解码器输入是“已生成的部分”输出要错开一位让第i个token去预测第i1个。这是很多新手容易漏掉的地方。DataLoader的使用没有神奇之处但shuffleTrue和drop_lastTrue两个参数值得写进毕设里。drop_lastTrue防止最后一个batch尺寸太小导致批归一化抖动batch_size则要结合显存调整LSTM模型通常能开32或64Transformer则建议从16试起。4. 用PyTorch跑通一个生成式摘要的最小实现4.1 模型骨架从LSTM到Transformer毕设选哪个先做一个诚实的判断如果你的毕设周期是3到4个月且没有GPU服务器建议主力模型用LSTM加注意力。它的参数量小CPU也能训练但很慢最重要的是网络结构直观前向传播、反向传播、梯度消失这些概念都能在答辩时讲清楚。Transformer虽然效果好但是如果你从头训练效果未必赶得上微调一个预训练模型而且调参难度更高。我推荐的做法是双轨并行自己实现一个LSTM Seq2Seq模型作为主结果再加载一个较小的预训练模型做对比。预训练模型候选很多但考虑到本科毕设的硬件条件facebook/bart-base或t5-small是比较合适的参数量在1亿级别微调一轮需要的时间可控。如果你机器只有8G显存t5-small更稳妥。自己写的LSTM模型长这样编码器用双向LSTM把正反向隐藏状态拼接起来作为每个位置的表征解码器用单向LSTM但需要用注意力机制加权编码器所有时刻的输出。注意力打分函数有加性Bahdanau和点积Luong两种毕设里实现加性注意力即可因为它更容易在代码里看清每一步在做什么。import torch import torch.nn as nn import torch.nn.functional as F class BahdanauAttention(nn.Module): def __init__(self, hidden_size): super().__init__() self.W_h nn.Linear(hidden_size, hidden_size, biasFalse) self.W_s nn.Linear(hidden_size, hidden_size, biasFalse) self.v nn.Linear(hidden_size, 1, biasFalse) def forward(self, decoder_hidden, encoder_outputs, src_mask): # decoder_hidden: [batch, hidden_size] # encoder_outputs: [batch, src_len, hidden_size] score self.v(torch.tanh(self.W_h(encoder_outputs) self.W_s(decoder_hidden).unsqueeze(1))) score score.squeeze(-1) # [batch, src_len] # 把padding位置设为负无穷避免注意力分配到无效位置 score score.masked_fill(src_mask 0, -1e9) attn_weights F.softmax(score, dim-1) context torch.bmm(attn_weights.unsqueeze(1), encoder_outputs).squeeze(1) return context, attn_weights这段代码里最容易被忽略的就是src_mask。如果不做mask模型会把注意力分给pad训练时看似没问题但推理时一旦遇到长句摘要里会出现很多莫名词汇。masked_fill的-1e9不是随便写的它要足够小让softmax在指数运算后落到接近0但也不能太小到引发精度溢出。-1e9是个安全选择。4.2 训练循环的写法teacher forcing、掩码与loss训练生成式摘要时一个绕不开的技术是teacher forcing解码时每一步输入实际使用参考摘要的前一个token而不是用模型自己生成的那个token。这样做收敛更快但也有代价——训练时模型没见过自己的错误输出推理时一旦走一步错后面会连环错。解决办法是计划采样scheduled sampling比如训练到第10个epoch后以20%概率喂自己的输出。毕设里可以不做这个但论文里最好提一句“我用了teacher forcing并讨论了它带来的暴露偏差”。loss计算用的是交叉熵但只计算非pad位置。这里的坑在于nn.CrossEntropyLoss默认会忽略ignore_index-100你可以直接传ignore_index0。不过更稳妥的做法是自己做mask避免未来修改padding值导致loss计算错误。def compute_loss(logits, tgt_padded, tgt_len, pad_idx0): # logits: [batch, tgt_len, vocab_size] logits logits[:, :-1, :].contiguous() targets tgt_padded[:, 1:].contiguous() loss_fct nn.CrossEntropyLoss(ignore_indexpad_idx) loss loss_fct(logits.view(-1, logits.size(-1)), targets.view(-1)) return loss # 训练循环中的核心片段 model.train() optimizer.zero_grad() src_padded, tgt_padded, src_len, tgt_len batch encoder_outputs, encoder_hidden model.encode(src_padded, src_len) decoder_outputs, attn_weights model.decode(encoder_outputs, encoder_hidden, tgt_padded[:, :-1], tgt_len, src_mask) loss compute_loss(decoder_outputs, tgt_padded, tgt_len) loss.backward() # 梯度裁剪是个关键参数LSTM训练必须加 torch.nn.utils.clip_grad_norm_(model.parameters(), 5.0) optimizer.step()为什么是logits[:, :-1, :]和targets[:, 1:]因为解码器在时间步t的输入是参考摘要的第t个token输出应该预测第t1个。如果你按我上一章Dataset里的做法tgt_ids已经截成了“不包含最后一个token”那么这里的错位可以省略但要统一口径。我习惯保留模型输出的完整序列再做错位这样改代码时更灵活。clip_grad_norm_的max_norm5.0是LSTM训练的常规设置。梯度裁剪不能保证一定不梯度爆炸但它能把梯度的L2范数限制在5以内避免一次坏batch把参数冲到NAN。如果你发现loss突然变成nan先看是不是没加这个。4.3 推理时要做的改进beam search与长度惩罚训练完模型推理阶段不能用teacher forcing必须让模型自己一个词一个词地生成。最简单的贪心解码是一步选概率最大的词但这样做容易陷入局部循环比如反复生成“的”字。更常用的beam search保留每步概率最高的Top-B个序列B通常在3到5之间。beam search不是只有宽度参数的。还有两个细节一是长度惩罚防止解码器偏向短句二是覆盖惩罚防止重复引用同一个上下文。长度惩罚的作用因子alpha一般取0.6到1.0贝塔可以参考长度归一化。你可以先走最简单的版本效果不够再加惩罚项。def beam_search_decode(model, src_padded, vocab, beam_size4, max_len128, alpha0.6): # 只处理batch1的情况便于演示 encoder_outputs, encoder_hidden model.encode(src_padded, [src_padded.size(1)]) init_tokens torch.tensor([[vocab[bos]]]) beams [(0.0, init_tokens, encoder_hidden, None)] completed [] for _ in range(max_len): new_beams [] for score, tokens, dec_hidden, attn_prev in beams: logits, dec_hidden, attn model.decode_step(encoder_outputs, dec_hidden, tokens[:, -1]) log_probs F.log_softmax(logits[:, -1, :], dim-1) top_k torch.topk(log_probs, beam_size) for i in range(beam_size): token top_k.indices[0, i].unsqueeze(0) new_token_seq torch.cat([tokens, token], dim-1) new_score score top_k.values[0, i].item() if token.item() vocab[eos]: completed.append((new_score, new_token_seq)) else: new_beams.append((new_score, new_token_seq, dec_hidden, attn)) if not new_beams: break # 按累计log概率排序取前beam_size个 new_beams.sort(keylambda x: x[0], reverseTrue) beams new_beams[:beam_size] if completed: completed.sort(keylambda x: x[0], reverseTrue) best completed[0][1] else: beams.sort(keylambda x: x[0], reverseTrue) best beams[0][1] # 删除bos和eos把id映射回词 result [vocab.idx2token[t] for t in best[0].tolist() if t not in [vocab[bos], vocab[eos]]] return .join(result)这段代码是教学级演示实际工程里要加长度惩罚每个beam的score还要除以(len(sequence) ** alpha)避免短句得分占便宜。另外beam search的维度是序列级不是词级所以每步都要对每个beam做top-k然后全排序。其中model.decode_step是我自己写的接口实际模型里要保留解码器的单步状态。很多新手卡在这里的是dec_hidden的更新LSTM的hidden state和cell state要一起传递返回时也要用元组。5. 毕设避坑训练不收敛、显存爆炸、摘要全是重复词的排障记录5.1 现象loss下降但ROUGE不动这是最典型的“假收敛”。训练过程中交叉熵一直在降但用验证集算ROUGE数值始终在30以下徘徊。原因通常是评估阶段和解码阶段不一致训练时老师强迫teacher forcing用的是参考词模型只要模仿得差不多loss就能降但推理时模型自由生成一步错步步错。另一个常见原因是词表里unk太多。如果测试集里很多词没进词表模型就会生成大段“unkunkunk”。解决方法是回滚到数据那里把min_freq从3降到1或者把vocab_size从30000提到50000。别以为这样是作弊——文本摘要允许未登录词原样复制很多学术模型也用copy机制但毕设里最经济的做法是扩大词表之后ROUGE一般能涨两三个点。5.2 现象显存不够或训练太慢如果显存只有4G用512的源长度和128的目标长度训练LSTMbatch_size能开16就不错了。遇到OOM第一反应不应该是换服务器而是检查是不是padding太凶。假设一个batch里最长样本是512其余平均150那70%的显存都在处理pad。这就是我前面强调长度排序的原因。你可以写一个batch_sampler按源长度排序后每个batch内长度差尽量小。这个优化能让有效batch扩大一倍。慢的问题往往不是模型大而是数据加载太慢。文本转token的split()每次都要跑一遍即便做过一次。建议预处理阶段直接把token id存成numpy数组或parquet文件训练时直接加载。懒加载的Dataset表达没问题但它每次访问都重新算就会拖慢训练。另一个优化是torch.backends.cudnn.benchmarkTrue对固定输入尺寸的卷积有加速对LSTM不一定你可以在不同环境试试。5.3 现象生成的摘要反复出现同一个词这是解码器的老毛病尤其出现在训练不足或注意力没有覆盖惩罚时。模型在某个时间步输出了“人工智能”之后每步都倾向于继续输出“人工智能”因为它的隐状态已经被拉到那个语义区域。解决套路有三个。第一推理时限制重复n-gram同一词出现3次以上就不再进候选第二在loss里加一个重复惩罚项比如生成位置与之前某位置的注意力分数过重叠时给额外损失第三降低学习率可能是模型在训练时就没学好“终止”信号eos的概率一直上不去。我实践中最有效的还是最后一条训练时把eos当成普通词看待很多代码会忽略eos的loss权重导致模型永远学不会停。确认方法很简单看训练集里target最后一词是eos的占比以及模型在验证集beam search里是否经常提前停。我的经验是对摘要任务让eos出现在概率最高的位置需要成倍的训练样本所以不要轻易删掉参考摘要里太短的样本那些是学习eos的好素材。5.4 现象数据里有脏标签导致模型学奇怪规则CNN/Daily Mail虽然是经典数据集但它的摘要是有噪音的。部分样本的highlights只是一个词或一句话实际是新闻网站的编辑标签不是完整摘要。模型会学到“输出第一个句子的前半部分”这种偷懒策略。排查方法很简单统计target长度分布如果发现大量样本长度在10到20之间那说明数据切分或清洗有问题。解决方法是过滤。建议把target长度下限设到20或者30源文长度下限设到100。如果过滤后数据量太少比如不到1万条那就别过滤改成在训练时随机屏蔽过短样本。我偏向于宁可用1万条干净数据也不用5万条噪音数据做本科毕设——一个能解释清楚的干净数据集比一个玄学提升的混合数据集更适合写进论文。答辩时老师问“为什么数据量这么小”你可以回答“我做了严格清洗保证标签质量”这比含糊其辞有说服力得多。6. 让毕设从“跑通”到“有结论”网格搜参、人工评测与消融实验的收尾技巧6.1 用两组对照实验说明“注意力到底起了多大作用”毕设答辩时最扎心的问题往往是“你这个注意力机制是必需的么去掉会怎样”与其被问倒不如自己先做消融实验。以LSTM模型为例你可以训练三个版本无注意力、加注意力、加注意力且换用更大的词表。注意这里每个版本都用同样的数据和超参数只改一个变量否则结论站不住脚。对照结果的呈现建议用表格模型版本、ROUGE-1、ROUGE-2、ROUGE-L、参数量。你会发现无注意力版本ROUGE-L可能只有28多加注意力能到33以上。这个差距就是你论文里的核心贡献。再进一步把注意力分布可视化并挑一两个典型样本放进论文附录比一堆曲线直观得多。注意注意力可视化不是美观需求而是解释性需求——你能指出“生成‘转折’这个词时模型权重集中在原文第二段”这个证词在答辩时几乎无懈可击。6.2 人工评测标准与错误类型归类ROUGE是硬指标但它无法完全替代人工评测。本科毕设建议对随机抽取的50条测试样本做人工给分。给分维度可以是信息完整性、流畅度和忠实度每个维度1到5分。信息完整性看是否覆盖核心信息流畅度看语句是否通顺忠实度看是否有原文没有的幻觉内容。这三项正好对应自动评估最弱的地方——幻觉。人工评测最常见的问题是你自己评自己。所以最好找一个同班同学你们互相评对方的模型输出标准要提前写清楚。我当年吃过这个亏自己评的摘要总觉得“语义还行”别人一看就指出“这句话在原文里是两种解释你写成了一种”。人工评测结果不需要做统计假设检验只要把均值和每个维度的打分分布列出来就能看出模型短板在哪里。比如信息完整性稳定4分但流畅度只有2.5那多半是解码器的生成长度失控或词表覆盖不够。这又能反哺到超参数调整形成闭环。最后说一个我自己一直坚守的习惯每次训练完只保留最好的checkpoint同时记录下来那一刻的所有超参数。文本摘要这个方向特别容易“之前跑的好好的改个学习率就翻车”如果没有实验记录等到写论文时会焦虑到怀疑人生。开一个CSV文件把日期、模型名、batch_size、学习率、词表大小、ROUGE-L数值一行一行记下来两天后你就知道怎么选了。这不是额外负担是让你后悔有药可吃。希望这篇实操笔记能帮你在毕设路上少走几段弯路把“基于深度学习的文本摘要自动生成”做成一个自己讲得清楚、别人也信服的项目。本文还有配套的精品资源点击获取