基于Flask与Transformer的新闻摘要自动生成系统

1. 项目概述与核心需求

这个计算机毕业设计项目构建了一个基于自然语言处理的新闻摘要自动生成系统，采用Flask作为Web框架，核心算法基于Transformer架构。系统能够对输入的新闻文本进行语义理解，并生成简洁准确的摘要内容。

在当今信息爆炸的时代，新闻摘要技术具有重要应用价值。根据统计，普通读者每天接触的新闻信息量超过10万字，但有效阅读时间不足30分钟。自动摘要系统可以帮助用户快速获取核心信息，提高信息获取效率3-5倍。

2. 技术架构设计

2.1 整体系统架构

系统采用典型的三层架构设计：

1. 表现层：Flask框架构建的Web界面，提供简洁的用户交互
2. 业务逻辑层：Python实现的摘要生成算法核心
3. 数据层：新闻文本数据库和模型参数存储

code复制[用户界面(Flask)] -> [摘要生成服务] -> [Transformer模型] 
       ↑                     ↓
[新闻输入文本]        [摘要输出结果]

2.2 关键技术选型

2.2.1 Flask框架优势

选择Flask作为Web框架主要基于以下考虑：

• 轻量级设计，适合快速开发毕业设计项目
• 完善的扩展生态（Flask-RESTful, Flask-SQLAlchemy等）
• 与Python深度学习生态无缝集成
• 学习曲线平缓，适合学生开发者

2.2.2 Transformer模型选择

在多种预训练模型中，我们最终选择BART模型（Bidirectional and Auto-Regressive Transformers），因为：

1. 专为文本生成任务优化
2. 在CNN/DailyMail数据集上ROUGE得分领先
3. 模型大小适中（约400MB），适合部署在学生级硬件

提示：实际部署时建议使用HuggingFace的transformers库，它提供了预训练模型的便捷接口。

3. 核心算法实现

3.1 数据处理流程

完整的摘要生成流程包含以下步骤：

1. 文本预处理：

   • 去除HTML标签和特殊字符
   • 句子分割和词元化
   • 停用词过滤（保留专业名词）

2. **关键信息