摘要提取的方法主要包括基于统计、基于主题模型和基于深度学习三种。以下是详细介绍：

  1. 基于统计的方法：

  2. TF-IDF（词频-逆文档频率）：这是一种用于评估一个词语对于一个文件集或一个语料库中的其中一份文件的重要程度的统计方法。它主要由两部分组成，第一部分考虑的是单词的频率，第二部分考虑的是单词的逆文档频率，以此来评估一个词语的普遍重要性。

  3. TextRank：这是一种基于图的排序算法，最初被应用于网页排序，后来也用于文本摘要。它将文本中的句子或词语视为图中的节点，并根据它们在文本中的共现关系构建边的权重，然后利用图的拓扑排序算法计算每个节点的重要性，从而提取出重要的句子或词语作为摘要。

  4. 基于主题模型的方法：

  5. 潜在狄利克雷分配（LDA）：LDA是一种生成式概率模型，它可以将文档表示为主题的多项分布，同时将主题表示为词语的多项分布。通过分析文档中词语的主题分布，可以推断出文档的主要内容，进而提取出摘要。

  6. 非负矩阵分解（NMF）：NMF是一种矩阵分解方法，它可以将文档-词语矩阵分解为主题-词语矩阵和文档-主题矩阵的乘积。通过保留重要的主题或词语，可以提取出摘要的主要内容。

  7. 基于深度学习的方法：

  8. Seq2Seq模型：Seq2Seq是一种端到端的神经网络模型，由编码器和解码器两部分组成。编码器负责将输入文本编码成固定长度的向量表示，解码器则负责将该向量解码成摘要。通过训练Seq2Seq模型，可以实现从输入文本中自动提取摘要的功能。

  9. Transformer模型：Transformer是一种基于自注意力机制的神经网络模型，它在自然语言处理领域取得了显著的成果。Transformer模型可以处理序列数据，并且能够捕捉长距离依赖关系。通过使用Transformer模型进行摘要提取，可以实现更准确、更自然的摘要生成。

以上就是摘要提取的主要方法，每种方法都有其适用的场景和优缺点。在实际应用中，可以根据具体需求和场景选择合适的方法进行摘要提取。