60
第 6 章 結論與展望
6.1 結論
本論文於自動摘要方面，在逐字比對方式上應用隱藏式馬可夫模型（Hidden Markov Model, HMM）做為摘要模型，並分為 HMM-Type1 及 HMM-Type2 二 種類型；在概念比對上提出嵌入式潛藏語意分析（embedded LSA）與主題混合 模型（Topical Mixture Model, TMM）做為摘要模型；在自動摘要評估上，提出 以改良型字錯誤率（modified Character Error Rate, m-CER）為基礎的平均精確度
（Mean Average Precision, MAP）評估方式，以解決自動轉寫與人工轉寫文件因 斷句不一致，所造成摘要結果無法評估相關的問題。
經由實驗結果顯示，於特徵單位比較上：使用雙音節與雙字時，其結果優於 使用詞為特徵單位；於摘要模型比較上：使用隱藏式馬可夫模型或主題混合模型 其結果較其它常見方法有顯著的提升，同時主題混合模型在幾乎所有情況下均較 隱藏式馬可夫模型來得佳。
此外對於隱藏式馬可夫模型-型一使用字句擴展能有效增進摘要正確率；對 於隱藏式馬可夫模型-型二與主題混合模型中做字句移除，在人工轉寫文件上均 有效提升摘要結果，然而在自動轉寫上，因辨識錯誤及斷句不同，抵銷了其結果，
但是可以發現在辨識率上升時，其結果有所提升。
另一方面，在主題混合模型的初始化使用均勻分佈，在低摘要比例下有較佳 的結果。
最後本論文提出主題混合模型分類器，初步實驗結果顯示，主題混合模型分 類器較常見 K-最近鄰（K-Nearest-Neighbor, KNN）分類器在 MicroF 與 MacroF 分類結果上，有些微的提升；然經過自動摘要前處理後，此二者的分類結果均略 顯降低，進一步的來說，自動摘要雖然提升了自動分類文件的效率，卻因損失一 些分類資訊，使分類的結果降低。
61
6.2 未來展望
在摘要模型上：
1. 依據文件屬性，動態結合屬性資訊（如新聞開頭、結論段落為重要字 句）
2. 探討混合不同摘要模型的方法
3. 結合更多自然語言方面的資訊，如詞性（Power of Speech, POS）
4. 結合語音聲學上特性，如：音高、能量等
5. 結合分類資訊進行摘要，使自動摘要能具體幫助分類器做分類 在分類器上：
1. 對主題混合模型，進行特徵抽取，以選取具有代表性的字詞 2. 探探與其它分類器結合的可能性
自動摘要技術，在資訊爆炸時代裡愈顯重要，在與其它相關科技結合後，如 語音辨識，我們可能擁有手機留言自動摘要服務、一台能自動摘要廣播新聞的數 位收音機等，這些都將可能於未來逐步實現。
