RRepoGEO

REPOGEO 报告 · LITE

nlpyang/BertSum

默认分支 master · commit 05f8c634 · 扫描时间 2026/5/29 01:38:06

星标 1,506 · Fork 416

AI 可见性总分
80 /100
健康
品类召回
2 / 2
被推荐时的平均排名 #3.5
规则结果
通过 1 · 警告 1 · 失败 0
客观元数据检查
AI 认识你的名字
3 / 3
直接询问时，AI 是否点名你的仓库
如何阅读这份报告

行动计划告诉你下一步要做什么——按影响力排序、可直接复制粘贴的修改。品类可见性是真正的 GEO 测试：当用户向 AI 提一个不带品牌、本应让 nlpyang/BertSum 浮出水面的问题时，AI 是真的推荐了你，还是推荐了你的竞品？客观检查验证 AI 引擎最先权衡的那些元数据信号。自指检查判断 AI 是否还认识你的名字。

行动计划 — 可复制粘贴的修复

3 条由 gemini-2.5-flash 生成、按优先级排序的修改。修完后请把对应条目标记为完成。

整体方向
  • hightopics#1
    Add relevant topics to the repository

    原因：

    复制粘贴的修复
    extractive-summarization, bert, nlp, deep-learning, neural-networks, text-summarization, research-code, paper-implementation
  • highreadme#2
    Reposition the README's opening to emphasize research code

    原因：

    当前
    # BertSum

**This code is for paper `Fine-tune BERT for Extractive Summarization`**(https://arxiv.org/pdf/1903.10318.pdf)
    复制粘贴的修复
    # BertSum: Code for Fine-tuning BERT for Extractive Summarization

**This repository provides the official code implementation for our research paper, `Fine-tune BERT for Extractive Summarization`**(https://arxiv.org/pdf/1903.10318.pdf). It's designed for NLP researchers and practitioners interested in advanced neural network models for summarization.
  • mediumhomepage#3
    Add the paper URL as the repository homepage

    原因：

    复制粘贴的修复
    https://arxiv.org/pdf/1903.10318.pdf

本次扫描解析到的品类 GEO 通道：google/gemini-2.5-flash, deepseek/deepseek-v4-flash

品类可见性 — 真正的 GEO 测试

向 google/gemini-2.5-flash 提出的不带品牌问题。AI 推荐了你，还是推荐了别人？

各模型使用同一组问题 — 切换标签对比回答与排名。

召回
2 / 2
100% 的问题里出现了 nlpyang/BertSum
平均排名
#3.5
越小越好。#1 表示首位推荐。
声量占比
13%
在所有被点名的工具中，你占了多少？
头号对手
Sumy
在 2 个问题中被推荐 1 次
竞品排行
  1. Sumy · 被推荐 1 次
  2. Gensim · 被推荐 1 次
  3. NLTK · 被推荐 1 次
  4. spaCy · 被推荐 1 次
  5. PyTextRank · 被推荐 1 次
  • 品类问题
    Need a Python library for generating extractive text summaries from long articles.
    你：第 6 位
    AI 推荐顺序：
    1. Sumy
    2. Gensim
    3. NLTK
    4. spaCy
    5. PyTextRank
    6. BERTSum ← 你
    7. Hugging Face Transformers
    查看 AI 完整回答
  • 品类问题
    What are effective neural network models for high-quality extractive document summarization?
    你：第 1 位
    AI 推荐顺序：
    1. BERTSUM ← 你
    2. Longformer-Encoder-Decoder (LED)
    3. Longformer
    4. XLNet
    5. RoBERTa
    6. DistilBERT
    7. TextRank
    8. Sentence-BERT (SBERT)
    9. Universal Sentence Encoder (USE)
    查看 AI 完整回答

客观检查

针对 AI 引擎最看重的元数据信号的规则审计。

  • Metadata completeness
    warn

    建议：

  • README presence
    pass

自指检查

当被直接问到你时，AI 是否还知道你的仓库存在？

  • Compared to common alternatives in this category, what is the core differentiator of nlpyang/BertSum?
    pass
    AI 明确点名了 nlpyang/BertSum

    AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

  • If a team adopts nlpyang/BertSum in production, what risks or prerequisites should they evaluate first?
    pass
    AI 明确点名了 nlpyang/BertSum

    AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

  • In one sentence, what problem does the repo nlpyang/BertSum solve, and who is the primary audience?
    pass
    AI 明确点名了 nlpyang/BertSum

    AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

嵌入你的 GEO 徽章

把这个徽章贴进 nlpyang/BertSum 的 README。每次重新扫描都会自动更新，并跳到最新报告——是「我在乎 AI 可发现性」最简单的公开证明。

RepoGEO badge preview实时预览
MARKDOWN（README）
[![RepoGEO](https://repogeo.com/badge/nlpyang/BertSum.svg)](https://repogeo.com/zh/r/nlpyang/BertSum)
HTML
<a href="https://repogeo.com/zh/r/nlpyang/BertSum"><img src="https://repogeo.com/badge/nlpyang/BertSum.svg" alt="RepoGEO" /></a>
Pro

订阅 Pro，解锁深度诊断

nlpyang/BertSum — 轻量扫描仍免费；本卡列出 Pro 相对轻量的深度额度。

  • 深度报告每月 10 次
  • 无品牌品类查询5，轻量 2
  • 优先行动项8，轻量 3