Lange Texte zusammenfassen
Zusammenfassungen machen lange Texte überschaubar und helfen den Lesern, die wichtigsten Punkte aus langen Artikeln oder Dokumenten schnell zu verstehen.
Es gibt zwei Hauptarten: die extraktive, bei der wichtige Sätze aus dem Originaltext rausgesucht werden, und die abstraktive, bei der neue Sätze gebildet werden, die die Hauptgedanken zusammenfassen.
In dieser Übung erstellst du eine abstrakte Zusammenfassungs-Pipeline mit der Funktion „ pipeline() ” von Hugging Face und dem Modell „ cnicu/t5-small-booksum ”. Du fasst einen Text aus einer Wikipedia-Seite über Griechenland zusammen und vergleichst die umformulierte Ausgabe des abstrakten Modells mit dem Original.
Die Funktion „ pipeline “ aus der Bibliothek „ transformers “ und „ original_text “ sind schon für dich geladen.
Diese Übung ist Teil des Kurses
Arbeiten mit Hugging Face
Anleitung zur Übung
- Erstell die Zusammenfassungs
pipeline, indem du die Aufgabe „Zusammenfassung” nimmst und speicher sie als „summarizer”. - Mit der neuen Pipeline kannst du eine Zusammenfassung des Textes erstellen und als „
summary_text“ speichern. - Vergleich mal die Länge des Originaltextes und der Zusammenfassung.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Create the summarization pipeline
summarizer = ____(____="____", model="cnicu/t5-small-booksum")
# Summarize the text
summary_text = ____(original_text)
# Compare the length
print(f"Original text length: {len(original_text)}")
print(f"Summary length: {len(____[0]['____'])}")