論文の概要: Hooks in the Headline: Learning to Generate Headlines with Controlled Styles

• arxiv url: http://arxiv.org/abs/2004.01980v3
• Date: Fri, 29 May 2020 02:21:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 22:34:32.738339
• Title: Hooks in the Headline: Learning to Generate Headlines with Controlled Styles
• Title（参考訳）: 見出しのフック:制御スタイルで見出しを生成することを学ぶ
• Authors: Di Jin, Zhijing Jin, Joey Tianyi Zhou, Lisa Orii, Peter Szolovits
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 69.30101340243375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current summarization systems only produce plain, factual headlines, but do not meet the practical needs of creating memorable titles to increase exposure. We propose a new task, Stylistic Headline Generation (SHG), to enrich the headlines with three style options (humor, romance and clickbait), in order to attract more readers. With no style-specific article-headline pair (only a standard headline summarization dataset and mono-style corpora), our method TitleStylist generates style-specific headlines by combining the summarization and reconstruction tasks into a multitasking framework. We also introduced a novel parameter sharing scheme to further disentangle the style from the text. Through both automatic and human evaluation, we demonstrate that TitleStylist can generate relevant, fluent headlines with three target styles: humor, romance, and clickbait. The attraction score of our model generated headlines surpasses that of the state-of-the-art summarization model by 9.68%, and even outperforms human-written references.
• Abstract（参考訳）: 現在の要約システムは、平易で事実的な見出ししか生成しないが、露出を高めるために記憶に残るタイトルを作成するという実用的なニーズを満たさない。 我々は,より多くの読者を惹きつけるために,3つのスタイルオプション(humor, romance,clickbait)で見出しを充実させる新しいタスクであるsylistic headline generation (shg)を提案する。 スタイル固有の記事-見出しペアが存在しない(標準の見出し要約データセットとモノスタイルコーパスのみ)ため、TitleStylistは、要約タスクと再構成タスクを組み合わせて、スタイル固有の見出しを生成する。 また,テキストからスタイルをさらに切り離すための新しいパラメータ共有方式も導入した。 自動評価と人間評価の両方を通じて、タイトルスタイリストは、ユーモア、ロマンス、クリックベイトという3つのターゲットスタイルで、関連のある流れる見出しを生成できることを実証する。 私たちのモデルのアトラクションスコアは、最先端の要約モデルの9.68%を上回り、人間による参照よりも優れています。

関連論文リスト

• StyleBART: Decorate Pretrained Model with Style Adapters for Unsupervised Stylistic Headline Generation [13.064106986202294]
  StyleBARTは、スタイリスティックな見出し生成のための教師なしのアプローチである。 提案手法は,事前学習したBARTモデルを,異なるスタイルに責任を持つアダプタでデコレーションする。 StyleBARTは教師なしのスタイリスティックな見出し生成タスクにおいて,新しい最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-10-26T19:31:22Z)
• Stylized Data-to-Text Generation: A Case Study in the E-Commerce Domain [53.22419717434372]
  本稿では,特定のスタイルに従ってコヒーレントテキストを生成することを目的とした新しいタスク,すなわちスタイル化されたデータ・テキスト生成を提案する。 このタスクは、生成されたテキストのロジック、構造化されていないスタイル参照、バイアスのあるトレーニングサンプルという3つの課題のため、簡単ではない。 本稿では,論理計画型データ埋め込み,マスク型スタイル埋め込み,非バイアス型スタイリングテキスト生成の3つのコンポーネントからなる,新しいスタイル付きデータ・テキスト生成モデルであるStyleD2Tを提案する。
  論文  参考訳（メタデータ） (2023-05-05T03:02:41Z)
• 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)
• Unsupervised Neural Stylistic Text Generation using Transfer learning and Adapters [66.17039929803933]
  応答生成のためのスタイル特化属性を学習するために,モデルパラメータの0.3%しか更新しない新しい転送学習フレームワークを提案する。 我々はPERSONALITY-CAPTIONSデータセットからスタイル固有の属性を学習する。
  論文  参考訳（メタデータ） (2022-10-07T00:09:22Z)
• Generating More Pertinent Captions by Leveraging Semantics and Style on Multi-Source Datasets [56.018551958004814]
  本稿では,データソースの非一様結合をトレーニングすることで,流動的な記述を生成するタスクに対処する。 ノイズの多い画像とテキストのペアを持つ大規模データセットは、サブ最適の監視源を提供する。 本稿では,検索コンポーネントから抽出したスタイルトークンとキーワードを組み込むことにより,セマンティクスと記述スタイルを活用・分離することを提案する。
  論文  参考訳（メタデータ） (2021-11-24T19:00:05Z)
• Stylized Story Generation with Style-Guided Planning [38.791298336259146]
  そこで本稿では,先行する文脈を条件として,新たなタスク,スタイル化されたストーリージェネレーション,すなわちスペクティフィドスタイルでストーリーを生成することを提案する。 我々のモデルは、ROCStoriesデータセットに基づいて、エモオプション駆動またはイベント駆動のストーリーを制御できる。
  論文  参考訳（メタデータ） (2021-05-18T15:55:38Z)
• 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)
• 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。