論文の概要: Attractive or Faithful? Popularity-Reinforced Learning for Inspired Headline Generation

• arxiv url: http://arxiv.org/abs/2002.02095v1
• Date: Thu, 6 Feb 2020 04:37:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 09:43:49.602421
• Title: Attractive or Faithful? Popularity-Reinforced Learning for Inspired Headline Generation
• Title（参考訳）: 魅力的か忠実か? インスパイアされた見出し生成のための人気強化学習
• Authors: Yun-Zhu Song (1), Hong-Han Shuai (1), Sung-Lin Yeh (2), Yi-Lun Wu (1), Lun-Wei Ku (3), Wen-Chih Peng (1) ((1) National Chiao Tung University, Taiwan, (2) National Tsing Hua University, Taiwan, (3) Academia Sinica, Taiwan)
• Abstract要約: PORL-HG(Popularity-Reinforced Learning for inspired Headline Generation)という新しいフレームワークを提案する。 PORL-HGは,1) 抽出者に対して,抽出者から魅力的な文を選択するよう誘導するPTA (Popular Topic Attention) と,2) 抽出者に対して魅力的な文の書き直しを誘導する人気予測器を併用して,抽出促進アーキテクチャを利用する。 提案したPORL-HGは,ヒト (71.03%) と予測因子 (少なくとも27.60%) で評価された,最先端のヘッドライン生成モデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid proliferation of online media sources and published news, headlines have become increasingly important for attracting readers to news articles, since users may be overwhelmed with the massive information. In this paper, we generate inspired headlines that preserve the nature of news articles and catch the eye of the reader simultaneously. The task of inspired headline generation can be viewed as a specific form of Headline Generation (HG) task, with the emphasis on creating an attractive headline from a given news article. To generate inspired headlines, we propose a novel framework called POpularity-Reinforced Learning for inspired Headline Generation (PORL-HG). PORL-HG exploits the extractive-abstractive architecture with 1) Popular Topic Attention (PTA) for guiding the extractor to select the attractive sentence from the article and 2) a popularity predictor for guiding the abstractor to rewrite the attractive sentence. Moreover, since the sentence selection of the extractor is not differentiable, techniques of reinforcement learning (RL) are utilized to bridge the gap with rewards obtained from a popularity score predictor. Through quantitative and qualitative experiments, we show that the proposed PORL-HG significantly outperforms the state-of-the-art headline generation models in terms of attractiveness evaluated by both human (71.03%) and the predictor (at least 27.60%), while the faithfulness of PORL-HG is also comparable to the state-of-the-art generation model.
• Abstract（参考訳）: オンラインメディアソースの急速な拡大とニュースの公開により、読者をニュース記事に惹きつけるために見出しの重要性が高まっている。 本稿では、ニュース記事の性質を保存し、同時に読者の目をつかむインスパイアされた見出しを生成する。 インスピレーションを受けた見出し生成のタスクは、与えられたニュース記事から魅力的な見出しを作成することを重視した、特定の形式の見出し生成(HG)タスクと見なすことができる。 インスパイアされた見出しを生成するために,見出し生成(PORL-HG)のためのPopularity-Reinforced Learningと呼ばれる新しいフレームワークを提案する。 PORL-HGは抽出-吸収型アーキテクチャを利用する 1)抽出者に対して記事から魅力的な文を選択するよう指示する人気の話題注意(PTA) 2) 魅力的な文を書き直すための要約者を指導する人気予測装置。 また、抽出器の文選択は区別できないため、増補学習(rl)の技術を利用して、人気スコア予測器から得られる報酬とギャップを橋渡しする。 定量的および定性的な実験により,提案したPORL-HGは,ヒト (71.03%) と予測因子 (少なくとも27.60%) の両方で評価された,最先端のヘッドライン生成モデルよりも優れており,PORL-HGの忠実度も最先端生成モデルに匹敵することを示した。

関連論文リスト

• From Words to Worth: Newborn Article Impact Prediction with LLM [69.41680520058418]
  本稿は,LLMの微調整機能を活用して,新たな記事の今後の影響を予測する,有望なアプローチを提案する。 LLMを微調整するための包括的なデータセットが構築されリリースされ、対応するタイトル、抽象化、TLCSI_SPを含む12,000以上のエントリが含まれている。
  論文  参考訳（メタデータ） (2024-08-07T17:52:02Z)
• TeClass: A Human-Annotated Relevance-based Headline Classification and Generation Dataset for Telugu [4.272315504476224]
  関連性に基づく見出し分類は、関連する見出しを生成するタスクを大いに助ける。 本稿では,TeClassについて紹介する。 ROUGE-Lスコアの約5ポイント向上を示した。
  論文  参考訳（メタデータ） (2024-04-17T13:07:56Z)
• Affective and Dynamic Beam Search for Story Generation [50.3130767805383]
  面白い物語を生成するために、AffGen(Affective Story Generator)を提案する。 AffGenはDynamic Beam SizeとAffective Re rankという2つの新しいテクニックを採用している。
  論文  参考訳（メタデータ） (2023-10-23T16:37:14Z)
• HonestBait: Forward References for Attractive but Faithful Headline Generation [13.456581900511873]
  フォワード参照 (FR) は、クリックベイトによく使われる記述技法である。 自己検証プロセスは、急激な発明を避けるために訓練中に含まれる。 本稿では,疑似ニュースと疑似ニュースのペアを含む斬新なデータセットであるPANCO1について紹介する。
  論文  参考訳（メタデータ） (2023-06-26T16:34:37Z)
• Contrastive Learning enhanced Author-Style Headline Generation [15.391087541824279]
  CLH3G(Contrastive Learning enhanced Historical Headlines based Headline Generation)と呼ばれる新しいSeq2Seqモデルを提案する。 過去の見出しを考慮に入れることで、著者のスタイル的特徴をモデルに統合し、著者のスタイルと整合した見出しを生成することができる。 実験の結果,同一ユーザの過去の見出しは,見出し生成を大幅に改善できることがわかった。
  論文  参考訳（メタデータ） (2022-11-07T04:51:03Z)
• A Survey on Retrieval-Augmented Text Generation [53.04991859796971]
  Retrieval-augmented text generationは顕著な利点があり、多くのNLPタスクで最先端のパフォーマンスを実現している。 まず、検索拡張生成の一般的なパラダイムを強調し、異なるタスクに応じて注目すべきアプローチをレビューする。
  論文  参考訳（メタデータ） (2022-02-02T16:18:41Z)
• The Style-Content Duality of Attractiveness: Learning to Write Eye-Catching Headlines via Disentanglement [59.58372539336339]
  目を引く見出しはクリック数を増やす最初のデバイスとして機能し、プロデューサーと視聴者の間の相互効果をもたらす。 そこで本稿では,魅力的なコンテンツを取り込む見出しを生成するdahg(disentanglement-based attractive headline generator)を提案する。
  論文  参考訳（メタデータ） (2020-12-14T11:11:43Z)
• What's New? Summarizing Contributions in Scientific Literature [85.95906677964815]
  本稿では,論文のコントリビューションと作業状況について,個別の要約を生成するために,論文要約のアンタングル化という新たなタスクを導入する。 本稿では,学術論文のS2ORCコーパスを拡張し,コントリビューション・コントリビューション・コントリビューション・レファレンス・ラベルを付加する。 本稿では, 生成した出力の関連性, 新規性, 絡み合いを報告する総合的自動評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2020-11-06T02:23:01Z)
• Hooks in the Headline: Learning to Generate Headlines with Controlled Styles [69.30101340243375]
  我々は,見出しを3つのスタイルで強化する新しいタスク,Styllistic Headline Generation (SHG)を提案する。 TitleStylistは、要約と再構築タスクをマルチタスクフレームワークに組み合わせることで、スタイル固有の見出しを生成する。 我々のモデルが生成したアトラクションスコアは、最先端の要約モデルの9.68%を超え、人間による参照よりも優れています。
  論文  参考訳（メタデータ） (2020-04-04T17:24:47Z)
• Generating Representative Headlines for News Stories [31.67864779497127]
  同じ出来事をニュースに報告している記事のグループ化は、読者がニュースを消費するのを助ける一般的な方法である。 各ストーリーの代表的見出しを効率的かつ効果的に生成することは、依然として困難な研究課題である。 我々は,人間のアノテーションを使わずに大規模世代モデルを訓練するための遠隔監視手法を開発した。
  論文  参考訳（メタデータ） (2020-01-26T02:08:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。