【G検定】文書要約とは？抽出型と抽象型の違い・BERTSUMやT5をわかりやすく解説

長いニュース記事の要点を3行で、会議の議事録を1段落で——文章から重要な情報を取り出して短くまとめる「要約」を機械にやらせる技術が文書要約です。要点を「抜き出す」抽出型と、内容を理解して「書き直す」抽象型という2つのアプローチの違いが、このキーワード最大のポイントです。

📖 ひと言でいうと

文書要約とは、与えられた文章や文書から重要な情報を抽出し、短縮された要約文を生成する技術のことです。

人間の作業に例えると、抽出型は「本文の重要な文に蛍光ペンを引いて、その文をつなげて要約を作る」やり方、抽象型は「本文を読んで理解し、自分の言葉で短くまとめ直す」やり方です。機械による要約もこの2通りの流儀に分かれます。

🖼 1枚でわかる文書要約

📘 公式テキストの説明

与えられた文章や文書から重要な情報を抽出し、短縮された要約文を生成する技術を指す。要約手法は主に「抽出型」と「抽象型」の2種類に分類される。抽出型要約は、元の文章から重要な文やフレーズを直接抜き出して要約を作成する方法であり、情報の正確性が高いが、文脈の流れが不自然になることがある。一方、抽象型要約は、元の文章の内容を理解し、新たな表現で要約文を生成する方法で、自然な文章を生成できるが、情報の正確性に課題が残る場合がある。近年、深層学習モデルの発展により、文章要約タスクの性能が向上している。特に、BERTやT5などの事前学習モデルを活用した手法が注目されている。BERTSUMは、BERTを自動要約に適用したモデルであり、文書レベルのエンコーダを備えている。また、T5は抽象型要約モデルとして、入力された文章から新たな要約文を生成する能力を持つ。

丸ごと覚えるべきは「抽出型 vs 抽象型」の対比と、それぞれの長所・短所です。抽出型は「正確だが不自然になりうる」、抽象型は「自然だが正確性に課題」という、きれいなトレードオフの関係になっています。

モデル名では、BERTを自動要約に適用したBERTSUMと、抽象型要約が可能なT5の2つが挙げられています。

🔍 しっかり理解する

抽出型と抽象型:トレードオフで覚える

なぜこのトレードオフが生まれるのかを理解しておくと、暗記に頼らずに済みます。抽出型は原文の文をそのまま使うので、書いていないことを付け加える余地がなく正確です。しかし、離れた場所から文を抜き出してつなげるため、指示語が浮いたり話が飛んだりして、読み物としては不自然になりがちです。

抽象型はモデルが要約文をゼロから書くので、つながりの自然な文章になります。その代わり、原文にない内容を書いてしまったり、細部を取り違えたりするリスク、つまり正確性の課題を抱えます。

深層学習による性能向上と代表モデル

かつての要約は「単語の出現頻度が高い文を重要とみなして抜き出す」といった規則ベースの方法が中心で、実現できるのは事実上、抽出型に限られていました。内容を理解して書き直す抽象型は、自然な文章を生成する能力そのものが必要になるため、長らく困難だったのです。

近年は深層学習モデル、特に大量のテキストで事前学習したモデルの発展により、文書要約タスクの性能が大きく向上しました。文脈を捉える力が抽出型の「重要な文の見極め」を賢くし、文章生成の力が抽象型を実用レベルに引き上げた、という2方向の進歩です。

💡 具体例で考える

ニュースの「3行要約」

ニュースアプリやポータルサイトには、長い記事の要点を数行で示す機能があります。抽出型のアプローチなら、記事中で最も情報量の多い文(多くの場合、リード文や結論部)を選んで並べます。原文の文そのままなので誤報のリスクは小さい一方、「同氏は…」のように前提が抜けた文が交ざることがあります。抽象型のアプローチなら「政府は○○を発表した。背景には…」と滑らかに書き直せますが、記事にない解釈が紛れ込んでいないかの検証が必要になります。

会議議事録の自動要約

音声認識で文字起こしした会議録は、話し言葉特有の冗長さで非常に長くなります。これを「決定事項」「宿題」を中心に短くまとめる自動要約は、実務で需要の大きい応用です。発言の正確な引用が求められる場面では抽出型が、読みやすいサマリーレポートが求められる場面では抽象型が向いており、目的に応じた使い分けが行われます。

⚠️ よくある誤解・紛らわしい用語

📝 試験でのポイント

📚 まとめ