論文の概要: Catching Attention with Automatic Pull Quote Selection

• arxiv url: http://arxiv.org/abs/2005.13263v2
• Date: Wed, 14 Oct 2020 02:49:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 08:13:05.488030
• Title: Catching Attention with Automatic Pull Quote Selection
• Title（参考訳）: 自動プルクエント選択によるキャッチ注意
• Authors: Tanner Bohn, Charles X. Ling
• Abstract要約: 我々は、自動プル引用選択という新しいタスクを提唱する。 プル引用は、記事の中から選択されたテキストの幅で読者の注意を引くために特別に設計された記事の構成要素である。 我々は,手作り特徴からニューラル・ミックス・オブ・エキスパート,クロスタスク・モデルに至るまで,タスクに対するベースラインアプローチのスペクトルを確立する。
• 参考スコア（独自算出の注目度）: 5.969868819378934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To advance understanding on how to engage readers, we advocate the novel task of automatic pull quote selection. Pull quotes are a component of articles specifically designed to catch the attention of readers with spans of text selected from the article and given more salient presentation. This task differs from related tasks such as summarization and clickbait identification by several aspects. We establish a spectrum of baseline approaches to the task, ranging from handcrafted features to a neural mixture-of-experts to cross-task models. By examining the contributions of individual features and embedding dimensions from these models, we uncover unexpected properties of pull quotes to help answer the important question of what engages readers. Human evaluation also supports the uniqueness of this task and the suitability of our selection models. The benefits of exploring this problem further are clear: pull quotes increase enjoyment and readability, shape reader perceptions, and facilitate learning. Code to reproduce this work is available at https://github.com/tannerbohn/AutomaticPullQuoteSelection.
• Abstract（参考訳）: 読者のエンゲージメントに関する理解を深めるために,自動引用選択という新たな課題を提唱する。 プル引用(pull quotes)は、記事から選択されたテキストのスパンを持つ読者の注意を引くために特別に設計された記事の構成要素である。 このタスクは、いくつかの側面による要約やクリックベイト識別といった関連するタスクとは異なる。 我々は,手作り特徴からニューラル・ミックス・オブ・エキスパート,クロスタスクモデルに至るまで,タスクに対するベースラインアプローチのスペクトルを確立する。 これらのモデルから個々の特徴や埋め込み次元のコントリビューションを調べることで、プル引用の予期せぬ特性を発見し、読者の関心事に対する重要な疑問に答える。 人間の評価は、このタスクの独特さと選択モデルの適合性もサポートする。 プル引用は楽しみと読みやすさを高め、読者の認識を形作り、学習を促進する。 この作業を再現するコードはhttps://github.com/tannerbohn/automaticpullquoteselectionで入手できる。

関連論文リスト

• Attention-Seeker: Dynamic Self-Attention Scoring for Unsupervised Keyphrase Extraction [4.32566025202755]
  Attention-Seekerは教師なしキーフレーズ抽出法である。 大規模言語モデルからの自己注意マップを使用して、候補句の重要性を推定する。 公開データセットを4つ評価した。
  論文  参考訳（メタデータ） (2024-09-17T05:54:25Z)
• Mitigating Clickbait: An Approach to Spoiler Generation Using Multitask Learning [6.404122934568859]
  本研究では,スポイラーを簡潔なテキスト応答として検出・分類・生成する新技術である「クリックベイトスポイリング」を紹介する。 マルチタスク学習フレームワークを活用することで,モデルの一般化能力は大幅に向上する。 本研究は,クリックベイト問題に対処するための高度なテキスト処理技術の可能性を強調した。
  論文  参考訳（メタデータ） (2024-05-07T13:09:25Z)
• Integrating Language-Derived Appearance Elements with Visual Cues in Pedestrian Detection [51.66174565170112]
  本研究では,大言語モデルの強みを文脈的外見の変化の理解に活用するための新しいアプローチを提案する。 本稿では,言語由来の外観要素を定式化し,歩行者検出に視覚的手がかりを取り入れることを提案する。
  論文  参考訳（メタデータ） (2023-11-02T06:38:19Z)
• Semantic Prompt for Few-Shot Image Recognition [76.68959583129335]
  本稿では,数ショット学習のための新しいセマンティック・プロンプト(SP)手法を提案する。 提案手法は,1ショットの学習精度を平均3.67%向上させることにより,有望な結果が得られる。
  論文  参考訳（メタデータ） (2023-03-24T16:32:19Z)
• Few-Shot Stance Detection via Target-Aware Prompt Distillation [48.40269795901453]
  本論文は,知識ベースや少人数の学習者を対象とした事前学習型言語モデル(PLM)の可能性に着想を得たものである。 PLMは、ターゲットに対して重要なコンテキスト情報を提供し、プロンプトを介して数発の学習を可能にする。 姿勢検出タスクにおいて,対象が重要な役割を担っていることを考慮し,目標認識プロンプトを設計し,新しい言語化手法を提案する。
  論文  参考訳（メタデータ） (2022-06-27T12:04:14Z)
• A Structured Span Selector [100.0808682810258]
  本稿では,新しい文法に基づく構造化スパン選択モデルを提案する。 我々は、コア参照解決とセマンティックロールラベリングという2つの一般的なスパン予測タスクでモデルを評価した。
  論文  参考訳（メタデータ） (2022-05-08T23:58:40Z)
• Summarization with Graphical Elements [55.5913491389047]
  本稿では,グラフィカル要素による要約という新しい課題を提案する。 タスクの研究を支援するために,高品質なラベル付きデータセットを収集する。
  論文  参考訳（メタデータ） (2022-04-15T17:16:41Z)
• Reciprocal Feature Learning via Explicit and Implicit Tasks in Scene Text Recognition [60.36540008537054]
  本研究では,従来のテキスト認識における文字数カウントという暗黙のタスクを,追加的な注釈コストなしで発掘する。 両タスクの機能を適切に活用するために,2分岐の相反的特徴学習フレームワークを設計する。 7つのベンチマークの実験では、テキスト認識と新しい文字カウントタスクの両方において提案手法の利点が示されている。
  論文  参考訳（メタデータ） (2021-05-13T12:27:35Z)
• Hone as You Read: A Practical Type of Interactive Summarization [6.662800021628275]
  HAREは、個人的な興味のためにドキュメント要約を最適化するために読者からのフィードバックを使用する新しいタスクです。 このタスクは、長いフィードバックステージに従ってパーソナライズされた要約が生成されるインタラクティブな要約に関連している。 読み上げプロセス中に最小限の侵襲的なフィードバックを収集し、ユーザの関心に適応し、ドキュメントをリアルタイムで拡張することを提案する。
  論文  参考訳（メタデータ） (2021-05-06T19:36:40Z)
• Generating Diversified Comments via Reader-Aware Topic Modeling and Saliency Detection [25.16392119801612]
  生成したコメントの質を高めるために,読者が認識するトピックモデリングとサリエンシー情報検出フレームワークを提案する。 読者対応トピックモデリングのために,読者コメントからの潜在意味学習と話題マイニングのための変分生成クラスタリングアルゴリズムを設計した。 サリエンシー情報検出のために、ニュースコンテンツを推定してサリエンシー情報を選択するBernoulli分布について紹介します。
  論文  参考訳（メタデータ） (2021-02-13T03:50:31Z)

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。