論文の概要: From Standard Summarization to New Tasks and Beyond: Summarization with Manifold Information

• arxiv url: http://arxiv.org/abs/2005.04684v1
• Date: Sun, 10 May 2020 14:59:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 02:05:40.203122
• Title: From Standard Summarization to New Tasks and Beyond: Summarization with Manifold Information
• Title（参考訳）: 標準要約から新しいタスクへ:マニフォールド情報を用いた要約
• Authors: Shen Gao, Xiuying Chen, Zhaochun Ren, Dongyan Zhao and Rui Yan
• Abstract要約: テキスト要約は、原文書の短く凝縮した版を作成することを目的とした研究分野である。 現実世界のアプリケーションでは、ほとんどのデータは平易なテキスト形式ではない。 本稿では,現実のアプリケーションにおけるこれらの新しい要約タスクとアプローチについて調査する。
• 参考スコア（独自算出の注目度）: 77.89755281215079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text summarization is the research area aiming at creating a short and condensed version of the original document, which conveys the main idea of the document in a few words. This research topic has started to attract the attention of a large community of researchers, and it is nowadays counted as one of the most promising research areas. In general, text summarization algorithms aim at using a plain text document as input and then output a summary. However, in real-world applications, most of the data is not in a plain text format. Instead, there is much manifold information to be summarized, such as the summary for a web page based on a query in the search engine, extreme long document (e.g., academic paper), dialog history and so on. In this paper, we focus on the survey of these new summarization tasks and approaches in the real-world application.
• Abstract（参考訳）: テキスト要約は、原文書の短く凝縮したバージョンを作成することを目的とした研究領域であり、文書の主観を数語で伝える。 この研究トピックは、研究者の大規模なコミュニティの注目を集め始め、現在では最も有望な研究分野の1つに数えられている。 一般に、テキスト要約アルゴリズムは、平文文書を入力として使用し、要約を出力することを目的としている。 しかし、現実世界のアプリケーションでは、ほとんどのデータは平易なテキスト形式ではない。 代わりに、検索エンジン内のクエリに基づくWebページの要約、極端に長いドキュメント(学術論文など)、ダイアログ履歴など、多くの多様体情報を要約する必要がある。 本稿では,現実のアプリケーションにおけるこれらの新しい要約タスクとアプローチの探索に焦点をあてる。

関連論文リスト

• Write Summary Step-by-Step: A Pilot Study of Stepwise Summarization [48.57273563299046]
  本稿では,新たな文書が提案されるたびに追加の要約を生成するステップワイド要約の課題を提案する。 追加された要約は、新たに追加されたコンテンツを要約するだけでなく、以前の要約と一貫性を持たなければならない。 SSGは,自動計測と人的評価の両面から,最先端のパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2024-06-08T05:37:26Z)
• Investigating Consistency in Query-Based Meeting Summarization: A Comparative Study of Different Embedding Methods [0.0]
  テキスト要約は自然言語処理(NLP)分野における有名な応用の1つである。 与えられたコンテキストに基づいて重要な情報による要約を自動的に生成することを目的としている。 本稿では,Microsoft が提案した "QMSum: A New Benchmark for Query-based Multi-domain Meeting Summarization" に着想を得た。 また,提案するLocaterモデルを用いて,与えられたテキストとクエリに基づいて関連するスパンを抽出し,それをSummarizerモデルで要約する。
  論文  参考訳（メタデータ） (2024-02-10T08:25:30Z)
• CiteBench: A benchmark for Scientific Citation Text Generation [69.37571393032026]
  CiteBenchは引用テキスト生成のベンチマークである。 CiteBenchのコードはhttps://github.com/UKPLab/citebench.comで公開しています。
  論文  参考訳（メタデータ） (2022-12-19T16:10:56Z)
• Survey of Query-based Text Summarization [31.907523097592513]
  クエリベースのテキスト要約は、クエリ情報のガイダンスの下で、プロキシテキストデータを要約に格納する必要がある重要な実世界の問題である。 本調査は,クエリベースのテキスト要約法と関連する汎用テキスト要約法における興味深い作業を要約することを目的としている。
  論文  参考訳（メタデータ） (2022-09-17T05:34:32Z)
• TSTR: Too Short to Represent, Summarize with Details! Intro-Guided Extended Summary Generation [22.738731393540633]
  学術文献など、原文が比較的長い領域では、そのような要約は一般的で粗い概観を超越することはできない。 本稿では,文書の紹介情報を利用した抽出要約器TSTRを提案する。
  論文  参考訳（メタデータ） (2022-06-02T02:45:31Z)
• LDKP: A Dataset for Identifying Keyphrases from Long Scientific Documents [48.84086818702328]
  テキスト文書からキーフレーズ(KP)を識別することは、自然言語処理と情報検索の基本的な課題である。 このタスクのベンチマークデータセットの大部分は、ドキュメントのタイトルと抽象情報のみを含む科学領域からのものだ。 人間が書いた要約はほとんどの文書では利用できないし、文書はほとんど常に長く、KPの比率はタイトルと抽象の限られた文脈を超えて直接見つかる。
  論文  参考訳（メタデータ） (2022-03-29T08:44:57Z)
• Automatic Text Summarization Methods: A Comprehensive Review [1.6114012813668934]
  本研究は,要約手法,使用する手法,標準データセット,評価指標,今後の研究範囲などのテキスト要約概念を詳細に分析する。
  論文  参考訳（メタデータ） (2022-03-03T10:45:00Z)
• iFacetSum: Coreference-based Interactive Faceted Summarization for Multi-Document Exploration [63.272359227081836]
  iFacetSumは、インタラクティブな要約と顔検索を統合している。 微粒なファセットは、クロスドキュメントのコア参照パイプラインに基づいて自動的に生成される。
  論文  参考訳（メタデータ） (2021-09-23T20:01:11Z)
• Topic Modeling Based Extractive Text Summarization [0.0]
  本稿では,潜在トピックに基づいて内容をクラスタリングすることで,テキストを要約する新しい手法を提案する。 我々は、テキスト要約へのアプローチにおいて、より使用量が少なく挑戦的なWikiHowデータセットを活用している。
  論文  参考訳（メタデータ） (2021-06-29T12:28:19Z)
• Text Summarization with Latent Queries [60.468323530248945]
  本稿では,LaQSumについて紹介する。LaQSumは,既存の問合せ形式と抽象的な要約のための文書から遅延クエリを学習する,最初の統一テキスト要約システムである。 本システムでは, 潜伏クエリモデルと条件付き言語モデルとを協調的に最適化し, ユーザがテスト時に任意のタイプのクエリをプラグイン・アンド・プレイできるようにする。 本システムでは,クエリタイプ,文書設定,ターゲットドメインの異なる要約ベンチマークにおいて,強力な比較システムの性能を強く向上させる。
  論文  参考訳（メタデータ） (2021-05-31T21:14:58Z)

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。