1 定義と目的
1.1 核心的な定義
文本摘要（Text Summarization）とは、自然言語処理および情報検索の分野において、長文のテキストからその核心的な内容を抽出または生成し、簡潔かつ一貫性のある短い要約を作成する技術である。要約は元の文書の主要な情報を保持し、冗長な詳細を排除することを目的とする。
1.2 情報圧縮の目的
情報圧縮の目的は、情報過多の時代においてユーザーが迅速に文書の要点を把握できるようにすることにある。ニュース記事、学術論文、法的文書、医療記録など多岐にわたる分野で応用され、時間と労力を節約するとともに、重要な内容の見落としを防ぐ。
2 分類と種類
2.1 抽出型要約
抽出型要約は、原文から重要な文や句をそのまま抽出し、それらを組み合わせて要約を形成する手法である。生成された要約は原文の表現を保持するため、事実誤認のリスクが低いが、文間の流暢性に欠ける場合がある。
2.1.1 文のスコアリング手法
文の重要度を数値化する方法であり、単語の出現頻度、位置情報、キーワードとの関連性などを基にスコアを計算する。上位スコアの文を選択して要約とする。
2.1.2 代表的なアルゴリズム（TextRank, ベクトル空間モデル）
TextRankはPageRankアルゴリズムを文書に適用したもので、文をノード、文間の類似度をエッジとしてグラフを構築し、重要度を反復計算する。ベクトル空間モデルは文をベクトル表現し、コサイン類似度などで中心的な文を選ぶ。
2.2 生成型要約
生成型要約は、原文の意味を理解した上で新たな文を生成する手法である。深層学習の進展により、流暢で自然な要約が可能となったが、事実誤認や原文からの逸脱リスクがある。
2.2.1 シーケンス・ツー・シーケンスモデル
エンコーダ・デコーダ構造を持ち、入力シーケンス（原文）をエンコードし、デコーダが出力シーケンス（要約）を逐次生成する。RNNやLSTMが初期に用いられた。
2.2.2 注意機構とTransformerの応用
注意機構（Attention）はデコーダが各ステップで入力の異なる部分に焦点を当てることを可能にし、Transformerは自己注意機構を用いて並列計算と長距離依存関係の捕捉を実現した。BERTやGPTなどの事前学習モデルが生成型要約の精度と流暢性を大幅に向上させている。
2.3 単一文書要約と複数文書要約
単一文書要約は一つの文書から要約を生成する。複数文書要約は複数の関連文書（例：同一イベントの複数ニュース記事）から統合的な要約を作成し、重複情報の除去と多視点の統合が必要である。
3 技術手法とアプローチ
3.1 統計的手法
統計的手法は単語や文の統計的特性に基づいて要約を生成する。計算コストが低く、データが少ない場合でも動作するが、意味理解の精度は限られる。
3.1.1 TF-IDFに基づく手法
TF-IDF（Term Frequency-Inverse Document Frequency）は単語の重要度を評価し、各文のスコアを単語スコアの和として計算する。高いスコアの文を抽出する。
3.1.2 クラスタリング手法
文を意味的な類似度でクラスタリングし、各クラスタから代表文を選んで要約とする。トピックの多様性を確保できる。
3.2 深層学習的手法
深層学習的手法はニューラルネットワークを用いて文の意味表現と要約生成を行う。大量データによる学習で高い性能を発揮する。
3.2.1 RNN/LSTMベースのモデル
リカレントニューラルネットワーク（RNN）やLSTMを用いて系列データを処理し、エンコーダ・デコーダ構造で要約を生成する。勾配消失問題をLSTMで緩和。
3.2.2 BERTやGPTなどの事前学習モデル
大規模コーパスで事前学習されたモデルを要約タスクにファインチューニングする。BERTは双方向文脈、GPTは自己回帰生成に優れ、近年の生成型要約の主力となっている。
3.2.3 強化学習の応用
強化学習はROUGEなどの評価指標を報酬として直接最適化する手法であり、教師あり学習で生成される要約よりも評価スコアが高い傾向がある。
4 評価指標
4.1 ROUGE（Recall-Oriented Understudy for Gisting Evaluation）
ROUGEは生成要約と参照要約の間のn-gramの重なりを測定する。ROUGE-1（単語）、ROUGE-2（バイグラム）、ROUGE-L（最長共通部分列）などが代表的で、再現率を重視する。
4.2 BLEU（Bilingual Evaluation Understudy）
BLEUは元々機械翻訳の評価に用いられたが、要約にも適用される。n-gramの適合率を計算し、簡潔さと正確さを評価する。
4.3 人間による評価と一貫性チェック
自動指標は完璧ではないため、人間評価が補完的に用いられる。流暢性、情報量、事実整合性、一貫性などを複数評価者で判断する。
5 応用と実例
5.1 ニュース記事の自動要約
ニュースアプリやRSSリーダーが記事の見出しや要約を自動生成し、ユーザーが速やかに内容を把握できるようにする。
5.2 学術文献の抄録生成
論文のアブストラクトを自動生成したり、複数の関連論文からサーベイ要約を作成する研究支援ツールに利用される。
5.3 カスタマーレビューのサマリー
商品レビューや映画レビューから肯定的・否定的な要点を抽出し、購買決定の補助とする。
5.4 医療記録の要点抽出
患者の病歴や診療記録から重要な情報（診断、投薬、アレルギーなど）を抽出し、医師の意思決定を支援する。
6 課題と今後の動向
6.1 原文の事実整合性（ファクト整合性）問題
生成型要約は原文にない情報を作り出す「幻覚」問題が生じることがあり、事実整合性の確保が重要な課題である。
6.2 長文コンテキストの取り扱い
Transformerの自己注意機構は計算量が系列長の二乗に比例するため、非常に長い文書（数千語以上）を扱う際にメモリ制約や情報損失が発生する。
6.3 多言語・クロスドメインへの拡張
単一言語・単一ドメインで訓練されたモデルは他言語や専門分野への汎化性能が低く、多言語事前学習モデルの開発やドメイン適応技術が必要である。
6.4 生成要約の制御可能性
要約の長さ、スタイル、含める視点などをユーザーが制御できるようにする研究が進んでいる。制御可能な生成は実用性を高める鍵である。