从业务角度，自动摘要技术可以用于以下三个场景：
1.理解用户的偏好：拼接商户简介及用户评论作为原文，做出短摘要。摘要中包含当前用户常用的关键词，目的是拉近与用户的距离，使用户有似曾相识的感觉，正合心意的感觉。即通过摘要做到“理解商户，理解用户”。例如用户A在评论中更多的提及“服务很好，热情，环境很舒适”，那么用户A更注重用餐环境及服务，在摘要中，就偏重环境，服务等方面的介绍。用户B在评论中更偏重对口感，味道的关注，如“香甜可口，很新鲜”等，那么再摘要中更侧重对菜品口味的介绍和推荐。
2.理解用户的需求：根据用户历史浏览的商户，推测用户的偏好，比如用户C浏览过“韩式婚纱”，当用户C继续浏览婚宴相关的商户时，摘要可以侧重“韩式，浪漫”，与用户的历史行为相呼应。
3.更好的理解商户：将统计数据体现在摘要中，如“全网最低价”，“最新流行款式”，这些特点可以从数据的统计特征中得出，更好的体现商品的特点。即阿里提出的data-to-sequence。
从技术层面讲，自动摘要生成一般有两种方式：抽取式（Extraction）和摘要式（Abstraction）。
抽取式以抽取原文已有句子，通过删除，替换等编辑方式，将语料缩短（Condense）为短句。其优点是：语义及语法的正确性可以保证，可以基本还原原语料。缺点是严重依赖原文，无法满足个性化推荐的需要，存在细节重复，表达呆板，逻辑不连贯的问题。以TextRank为例，在迭代算法开始之前，需要对原句进行过滤（如情感分析）来构造图中的点集。关键语句提取之后要调整句子顺序，代词与实体词的替换等。参考论文：TextRank: Bringing Order into Texts。
使用TextRank做自动摘要的结果及评价如下表所示：
生成式（Abstraction）即sequence-2-sequence model，可以利用原语料外的词汇描述原文，更灵活，新颖和个性化。摘要式的技术基础为LSTM，Attention Model， beam-search等。以下整理了各主要技术的前沿论文。附件PDF为读书笔记，内容包括编/解码器的神经网络结构，Attention model的物理含义解释，OOV，解码器预测输出等。
Attention Model，计算输入序列对应的隐层状态与输出序列的相关性分布：A Neural Attention Model for Abstractive Sentence Summarization
机器翻译，自动摘要基本结构：RNN encoder-decoder：neural machine translation by jointly learning to align and translate
LSTM：Sequence to Sequence Learning with Neural Networks。
OOV处理：Abstractive Text Summarisation using Sequence-to-sequence RNNs and Beyond
Reference：
https://guillaumegenthial.github.io/sequence-to-sequence.html
https://www.tensorflow.org/tutorials/seq2seq
www.hankcs.com/nlp/textrank-algorithm-java-implementation-of-automatic-abstract.html
