---
title: "提取式摘要技術（Extractive Summarization）"
slug: extractive-summarization
language: zh-TW
source: https://aiterms.tw/terms/extractive-summarization
updated_at: 2026-04-29
tags: [自然語言處理, 機器學習, 資料處理, 模型評估, AI應用, 統計方法]
ipas_term: false
---

# 提取式摘要技術（Extractive Summarization）

> **你有沒有看過一份超長報告，只想先抓出最重要的幾句？**
>
> 你可以把它想成，摘要不是自己重新寫，而是從原文裡挑句子拼成短版。
>
> 提取式摘要特別適合需要保留原文措辭的情況，像新聞、會議紀錄、法規或研究摘要。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **提取式摘要 vs 摘要生成技術**
> 提取式摘要直接挑原文句子。
> 摘要生成技術會用自己的話重寫內容。
> 最關鍵的區別：剪句子，還是重寫句子。
>
> **提取式摘要 vs ROUGE**
> 提取式摘要是方法。
> ROUGE 是常用來評估摘要品質的指標。
> 最關鍵的區別：一個是做法，一個是評分。
>
> **提取式摘要 vs 關鍵字擷取**
> 關鍵字擷取只抓詞。
> 提取式摘要抓的是完整句子。
> 最關鍵的區別：抓詞，還是抓句。

### 記住這句就好

> 原文句子挑得好，就是提取式摘要。

### 實際案例

> **會議紀錄整理**
> 先把冗長會議記錄壓縮成幾句重點，方便大家回看。
> Before：整篇逐字稿太難掃。After：挑出決策、待辦和風險句。
>
> **新聞快覽**
> 編輯要在很短時間內先抓新聞重點。
> Before：只能整篇看完。After：用提取式摘要快速縮短閱讀時間。

### 算法與應用

> 常見做法是先為每個句子打分，再依分數挑出最重要的句子。
>
> 打分方式可以用 TF-IDF、位置特徵、圖排序或機器學習模型。
>
> 它的優點是保留原意，缺點是句子之間未必連貫，還可能重複。

### 情境判斷

> **Q1（直覺題）：** 提取式摘要和摘要生成技術最大的不同是什麼？
>
> → 提取式是選原文句子，生成式是用自己的話重寫，所以流暢度和風險都不一樣。
>
> **Q2（判斷題）：** 如果你要處理法規或合約，通常比較偏向哪一種摘要？
>
> → 看情況，但常會偏向提取式，因為它較能保留原文措辭，避免改寫造成法律風險。

### 常見問題

> **Q：提取式摘要的優缺點是什麼？**
> 優點是簡單、穩定、容易保留原文，缺點是可能不連貫，也不會真正改寫語意。
>
> **Q：TF-IDF 怎麼幫助摘要？**
> 它可以幫忙看哪些詞比較重要，進而推高包含這些詞的句子分數。
>
> **Q：要怎麼改進摘要品質？**
> 可以加句子排序、語意模型或領域知識，讓選句更準。

### 相關術語

> - **文本摘要**：提取式摘要是摘要大類中的一種，先看大概念比較完整。
> - **摘要生成技術**：和提取式是最典型的對照組。
> - **ROUGE評分**：評估摘要時，這個指標很常出現。
> - **自然語言處理**：摘要本身就是 NLP 的經典任務。
> - **轉換器架構**：現在很多摘要模型都會用到它。

---

來源：https://aiterms.tw/terms/extractive-summarization
快查頁：https://aiterms.tw/terms/extractive-summarization
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-extractive-summarization