基于机器学习的文本摘要方法通常分为两个主要步骤：训练和预测。

  训练阶段，首先需要准备一个训练集，其中包含带有摘要的原始文本。然后，将训练集中的文本进行预处理，包括分词、去停用词和词干化等操作，以便将文本转换为可以输入到机器学习模型的向量形式。常用的向量表示方法包括词袋模型、TF-IDF和词嵌入（如Word2Vec和GloVe）等。

  接下来，选择一种机器学习算法来训练模型。常见的算法包括基于统计的方法如朴素贝叶斯和最大熵，以及基于深度学习的方法如循环神经网络（RNN）和变换器（Transformer）。通过将训练集中的原始文本作为输入，摘要作为输出，模型可以学习到将输入文本映射到正确的摘要的规律。

  完成训练后，就可以用模型来进行预测了。预测阶段，将待摘要的文本输入到模型中，模型将生成一个摘要作为输出。根据具体任务的需求，输出的摘要可以是词级别的摘要（选择若干个关键词组成）或者句子级别的摘要（选择若干个重要的句子组成）。预测阶段可以使用贪婪搜索或者束搜索等方法来生成最终的摘要。

  需要注意的是，机器学习方法对于文本摘要的效果取决于训练数据的质量和数量。较大和更广泛的训练集通常可以提供更准确和全面的摘要。此外，对于长文本的摘要，传统的机器学习方法可能无法提供满意的结果，因为它们难以捕捉长文本的语义信息。因此，对于长文本摘要，常常需要使用基于深度学习的方法来处理。