Die Extraktion relevanter Informationen zu einer bestimmten Abfrage aus schnell wachsenden Daten ist ein Problem der ruhigen Zeit, um Daten aus allen zugehörigen Dokumenten zu scannen und zu analysieren. Daher ist die Textzusammenfassung heutzutage ein wichtiges Forschungsgebiet. Es geht darum, die relevantesten Informationen aus einzelnen oder mehreren Dokumenten zu finden. In diesem Bereich wird viel gearbeitet, um die aufwändige Suche zu vermeiden und den Zeitaufwand zu reduzieren. Das wissensbasierte und das maschinelle Lernen sind die beiden Methoden für die abfragebasierte Textzusammenfassung, wobei die Ansätze des maschinellen Lernens meist für die Berechnung probabilistischer Merkmale unter Verwendung von Werkzeugen und Techniken der natürlichen Sprachverarbeitung (NLP) sowohl für überwachtes als auch für unbeaufsichtigtes Lernen verwendet werden. Im ersten Teil dieser Forschungsarbeit werden Ansätze des maschinellen Lernens für die abfragebasierte Textzusammenfassung identifiziert und analysiert, um eine nützliche Zusammenfassung für die Benutzer zu finden, die ihren Bedürfnissen entspricht. Im zweiten Teil wird eine umfassende Diskussion geführt, um den internen Arbeitsmechanismus von maschinellen Lernansätzen für die abfragebasierte Textzusammenfassung zu präsentieren.