자동 요약 원문 텍스트에서 핵심 내용을 추출하거나 재생성하여 더 짧은 길이의 요약문을 자동으로 생성하는 자연어 처리(NLP) 기술이다. 대량의 문서에서 정보를 효율적으로 습득할 수 있도록 지원하며, 뉴스 기사, 학술 논문, 법률 문서, 회의록 등 다양한 분야에 적용된다.
주요 접근 방식 자동 요약 기술은 크게 추출적 요약과 생성적 요약으로 구분된다.
- 추출적 요약(Extractive Summarization): 원문 문장이나 구절을 평가하여 중요도가 높은 단위를 선별한 뒤, 이를 그대로 이어 붙여 요약문을 만든다. 문장의 위치, 빈도수, 키워드 가중치, 그래프 기반 알고리즘(TextRank, LexRank) 또는 사전 학습된 언어 모델(BERT 등)의 임베딩 유사도 등을 활용하여 중요 문장을 판단한다. 원문의 어휘와 문장 구조가 보존되어 사실 일관성이 높으나, 문장 간 연결이 부자연스러울 수 있다.
- 생성적 요약(Abstractive Summarization): 원문의 의미를 파악하여 인간이 요약하듯 새로운 어휘와 문장 구조로 요약문을 생성한다. 주로 인코더-디코더 구조의 시퀀스 투 시퀀스(Seq2Seq) 모델이나 트랜스포머(Transformer) 기반의 대형 언어 모델(LLM)을 사용한다. 유창하고 압축률이 높은 요약이 가능하나, 원문에 없는 내용이 생성되는 환각(Hallucination) 문제가 발생할 수 있다.
평가 지표 생성된 요약문의 품질을 정량적으로 평가하기 위해 주로 다음과 같은 지표가 사용된다.
- ROUGE (Recall-Oriented Understudy for Gisting Evaluation): 생성된 요약문과 참조 요약문(정답) 간의 엔그램(n-gram) 겹침 정도를 기반으로 재현율, 정밀도, F1 점수를 계산한다. ROUGE-1, ROUGE-2, ROUGE-L 등이 널리 쓰인다.
- BERTScore: 사전 학습된 언어 모델의 문맥 임베딩을 활용하여 의미적 유사도를 측정한다.
- 사람 평가: 유창성, 연관성, 일관성, 사실성 등을 사람이 직접 평가하는 방식이 병행된다.
응용 분야
- 뉴스 요약 서비스 및 헤드라인 생성
- 검색 엔진 스니펫(Snippet) 생성
- 문서 관리 시스템 및 지식 베이스 요약
- 회의록, 통화 기록, 법률 판례 자동 요약
- 이메일 및 메신저 대화 요약
최근 동향 대형 언어 모델(LLM)의 등장으로 소량의 예시만으로도 높은 성능을 보이는 소샷(Few-shot) 및 제로샷(Zero-shot) 요약 능력이 크게 향상되었다. 또한, 긴 문서를 처리하기 위한 계층적 요약, 다국어 요약, 사용자 의도나 관점을 반영하는 제어 가능한 요약(Controllable Summarization) 연구가 활발하다. 사실성(Factuality) 향상을 위한 검증 모듈 결합 및 인간 피드백 강화 학습(RLHF) 적용도 주요 흐름이다.
