論文の概要: Belief Propagation for Maximum Coverage on Weighted Bipartite Graph and Application to Text Summarization

• arxiv url: http://arxiv.org/abs/2004.08301v1
• Date: Thu, 26 Mar 2020 05:50:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 20:54:49.935167
• Title: Belief Propagation for Maximum Coverage on Weighted Bipartite Graph and Application to Text Summarization
• Title（参考訳）: 重み付き二部グラフの最大被覆に対する信念伝播とテキスト要約への応用
• Authors: Hiroki Kitano, Koujin Takeda
• Abstract要約: グラフ理論において、テキスト要約のタスクは重み付きノードを持つ二部グラフ上での最大カバレッジ問題と見なされる。 テキスト要約のための非重み付きグラフから重み付きグラフへの最大カバレッジに対する信念伝達に基づくアルゴリズムを一般化する。 本アルゴリズムは,テキスト要約の設定において,欲求型アルゴリズムよりも優れた性能を示す。
• 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: We study text summarization from the viewpoint of maximum coverage problem. In graph theory, the task of text summarization is regarded as maximum coverage problem on bipartite graph with weighted nodes. In recent study, belief-propagation based algorithm for maximum coverage on unweighted graph was proposed using the idea of statistical mechanics. We generalize it to weighted graph for text summarization. Then we apply our algorithm to weighted biregular random graph for verification of maximum coverage performance. We also apply it to bipartite graph representing real document in open text dataset, and check the performance of text summarization. As a result, our algorithm exhibits better performance than greedy-type algorithm in some setting of text summarization.
• Abstract（参考訳）: 最大カバレッジ問題の観点からテキスト要約について検討する。 グラフ理論では、テキスト要約のタスクは重み付きノードを持つ二部グラフの最大カバレッジ問題と見なされる。 近年,統計力学の考え方を用いて,非重み付けグラフの最大カバレッジに対する信念伝達に基づくアルゴリズムが提案されている。 テキスト要約のための重み付きグラフに一般化する。 次に,重み付き二正則乱数グラフにアルゴリズムを適用し,最大被覆性能の検証を行う。 また、オープンテキストデータセットにおける実文書を表す二部グラフに適用し、テキスト要約の性能を確認する。 その結果,本アルゴリズムはテキスト要約の設定において,欲求型アルゴリズムよりも優れた性能を示した。

関連論文リスト

• Subgraph Retrieval Enhanced by Graph-Text Alignment for Commonsense Question Answering [6.9841561321072465]
  常識的な質問応答は、機械が常識に従って推論を採用することを要求する重要なタスクである。 以前の研究では、主にKGの情報を活用するために抽出とモデリングのパラダイムを用いていた。 textbfSubgraph RtextbfEtrieval Enhanced by GratextbfPh-textbfText textbfAlignment, named textbfSEPTA。
  論文  参考訳（メタデータ） (2024-11-11T10:57:31Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• Robust Graph Matching Using An Unbalanced Hierarchical Optimal Transport Framework [30.05543844763625]
  本稿では,不均衡な階層的最適輸送フレームワークに基づく,新しい頑健なグラフマッチング手法を提案する。 グラフマッチングにおいて、クロスモーダルアライメントを利用するための最初の試みを行う。 様々なグラフマッチングタスクの実験は、最先端の手法と比較して、我々の手法の優越性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-10-18T16:16:53Z)
• Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
  我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。 予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。 そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
  論文  参考訳（メタデータ） (2022-12-08T11:53:12Z)
• Graph Summarization via Node Grouping: A Spectral Algorithm [4.967873417059781]
  ノードグループ化によるグラフの要約は、簡潔なグラフ表現を構築する一般的な方法である。 本稿では,和算における損失最小化問題を等価整数問題に再構成する。 本研究では,現在最先端の要約アルゴリズムと比較して,SpecSummが効率よく高品質な要約を生成することを示す。
  論文  参考訳（メタデータ） (2022-11-08T11:23:16Z)
• Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
  グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF) 我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。 我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
  論文  参考訳（メタデータ） (2022-05-28T15:37:03Z)
• FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
  文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。 事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
  論文  参考訳（メタデータ） (2022-04-13T16:45:33Z)
• Controversy Detection: a Text and Graph Neural Network Based Approach [0.0]
  論争の内容は、ポジティブとネガティブの両方のフィードバックを惹きつけるあらゆるコンテンツを指す。 既存のアプローチのほとんどは、トピックのディスカッションやメッセージの内容のグラフ構造に依存しています。 本稿では,議論のグラフ構造とテキストの特徴に基づく論争検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-03T09:06:46Z)
• Augmented Abstractive Summarization With Document-LevelSemantic Graph [3.0272794341021667]
  従来の抽象的手法では、配列からシーケンスへの構造を適用して、モジュールなしで要約を生成する。 セマンティックグラフを用いて生成性能を向上する。 このようなエンティティグラフの情報を活用するために、新しいニューラルデコーダが提示される。
  論文  参考訳（メタデータ） (2021-09-13T15:12:34Z)
• BASS: Boosting Abstractive Summarization with Unified Semantic Graph [49.48925904426591]
  BASSは、統合されたセマンティックグラフに基づく抽象的な要約を促進するためのフレームワークである。 文書表現と要約生成の両方を改善するために,グラフベースのエンコーダデコーダモデルを提案する。 実験結果から,提案アーキテクチャは長期文書および複数文書要約タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2021-05-25T16:20:48Z)
• Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
  我々は高密度サブグラフ発見のための新しい学習問題を導入する。 まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。 そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-06-24T11:37:33Z)

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。