与BERT汇总相比，使用文本排名算法进行汇总有什么优势？ 尽管两者都可以用作抽取式摘要方法，但文本排名有什么特别的优势吗？
TextRank实现往往是轻量级的，即使在有限的内存资源下也可以快速运行，而BERT等转换器模型往往相当大，需要大量内存。虽然TinyML社区在使DL模型在有限的资源内运行的技术方面做得非常出色，但对于某些用例来说，可能存在资源优势。
一些TextRank实现可以通过添加语义关系来"定向"，可以将其视为先验结构以丰富所使用的图形 - 或者在某些情况下合并人机在循环方法的方法。与纯粹根据数据训练的监督学习模型相比，这些可以提供优势。即便如此，深度学习总体上也有类似的努力(例如，迁移学习主题的变化(，变压器可能会从中受益。
另一个潜在的好处是，TextRank方法往往更加透明，而转换器模型在可解释性方面可能具有挑战性。有一些工具可以提供很大的帮助，但在模型偏差和公平性、数据道德、法规遵从性等背景下，这种担忧变得很重要。
根据个人经验，虽然我是流行的 TextRank 开源实现之一的首席提交者，但我只将其提取摘要功能用于需要"廉价和快速"解决方案的用例。否则，我建议考虑更复杂的总结方法。例如，我建议密切关注TextRank的作者Rada Mihalcea和她在密歇根大学的研究生正在进行的研究。
在比较"哪种文本摘要方法效果更好？">方面，我会指出抽象摘要的工作，特别是John Bohannon等人最近在Primer的工作。有关优秀示例，请查看他们的团队使用自然语言理解、知识图谱、抽象摘要等生成的 CV19 研究的"每日简报"。 艾米·海尼尼克(Amy Heineike(在"解锁大量COVID-19论文，文章和对话的机器"中讨论了他们的方法。