論文の概要: Classification of descriptions and summary using multiple passes of
statistical and natural language toolkits
- arxiv url: http://arxiv.org/abs/2009.04953v1
- Date: Thu, 10 Sep 2020 15:49:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 03:28:43.625916
- Title: Classification of descriptions and summary using multiple passes of
statistical and natural language toolkits
- Title（参考訳）: 統計・自然言語ツールキットの複数パスを用いた記述・要約の分類
- Authors: Saumya Banthia, Anantha Sharma
- Abstract要約: この文書は、その名前に関するエンティティの要約/定義の関連性を確認するために使用できる可能性のあるアプローチを記述します。
このアプローチから得られるスコアは、それ自身または他のメトリクスから得られたスコアを補うために、最終分類に達するために使用することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This document describes a possible approach that can be used to check the
relevance of a summary / definition of an entity with respect to its name. This
classifier focuses on the relevancy of an entity's name to its summary /
definition, in other words, it is a name relevance check. The percentage score
obtained from this approach can be used either on its own or used to supplement
scores obtained from other metrics to arrive upon a final classification; at
the end of the document, potential improvements have also been outlined. The
dataset that this document focuses on achieving an objective score is a list of
package names and their respective summaries (sourced from pypi.org).
- Abstract（参考訳）: この文書は、その名前に関するエンティティの要約/定義の関連性を確認するために使用できる可能性のあるアプローチを記述します。
この分類器は、エンティティの名前の要約/定義への関連性に焦点を当て、言い換えれば、名前の関連性チェックである。
このアプローチで得られたパーセンテージスコアは、他のメトリクスから得られたスコアを補完して最終分類にたどり着くために、単独で使用することも可能であり、文書の最後には、潜在的な改善点も概説されている。
この文書が客観的スコアの達成に焦点を当てているデータセットは、パッケージ名とその要約(pypi.orgから引用)のリストである。
関連論文リスト
- ROUGE-K: Do Your Summaries Have Keywords? [11.393728547335217]
要約における内容関連単語は,効率的な情報伝達において重要な役割を担っている。
極端な要約モデルの既存の評価指標は、要約のキーワードに明確な注意を払わない。
変換器モデルに単語の重要度を組み込むための4つの手法を提案する。
論文 参考訳（メタデータ） (2024-03-08T09:54:56Z) - Disambiguation of Company names via Deep Recurrent Networks [101.90357454833845]
企業名文字列の埋め込みである教師付き学習を通じて,Siamese LSTM Network を抽出する手法を提案する。
私たちは、ラベル付けされるサンプルを優先するActive Learningアプローチが、より効率的な全体的な学習パイプラインをもたらす方法を分析します。
論文 参考訳（メタデータ） (2023-03-07T15:07:57Z) - Text Summarization with Oracle Expectation [88.39032981994535]
抽出要約は、文書の中で最も重要な文を識別し、連結することによって要約を生成する。
ほとんどの要約データセットは、文書文が要約に値するかどうかを示す金のラベルを持っていない。
本稿では,ソフトな予測に基づく文ラベルを生成する,シンプルで効果的なラベル付けアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-09-26T14:10:08Z) - The Fellowship of the Authors: Disambiguating Names from Social Network
Context [2.3605348648054454]
各エンティティに関する広範なテキスト記述を持つオーソリティリストは、欠落しており、曖昧な名前のエンティティである。
BERTをベースとした参照表現と,さまざまなグラフ誘導戦略を組み合わせて,教師付きクラスタ推論手法と教師なしクラスタ推論手法を実験する。
ドメイン内言語モデルの事前学習は,特により大きなコーパスに対して,参照表現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） (2022-08-31T21:51:55Z) - Out-of-Category Document Identification Using Target-Category Names as
Weak Supervision [64.671654559798]
Out-of-category Detection は、文書が不適格(またはターゲット)カテゴリと意味的関連性に応じて区別することを目的としている。
対象のカテゴリの1つに属する文書の信頼性を効果的に測定する,カテゴリ外検出フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-24T21:01:25Z) - Keyphrase Extraction Using Neighborhood Knowledge Based on Word
Embeddings [17.198907789163123]
我々は、単語埋め込みを背景知識として活用して、単語間グラフに意味情報を加えることにより、グラフベースのランキングモデルを強化する。
提案手法は,確立されたベンチマークデータセットを用いて評価し,単語の埋め込み近傍情報によりモデル性能が向上することを示す。
論文 参考訳（メタデータ） (2021-11-13T21:48:18Z) - A Training-free and Reference-free Summarization Evaluation Metric via
Centrality-weighted Relevance and Self-referenced Redundancy [60.419107377879925]
トレーニング不要かつ参照不要な要約評価指標を提案する。
我々の測定基準は、集中度重み付き関連度スコアと自己参照冗長度スコアからなる。
提案手法は,複数文書と単一文書の要約評価において,既存の手法よりも大幅に優れる。
論文 参考訳（メタデータ） (2021-06-26T05:11:27Z) - Understanding the Extent to which Summarization Evaluation Metrics
Measure the Information Quality of Summaries [74.28810048824519]
ROUGEとBERTScoreのトークンアライメントを分析し、要約を比較する。
それらのスコアは、情報の重複を測定するものとしては解釈できない、と我々は主張する。
論文 参考訳（メタデータ） (2020-10-23T15:55:15Z) - Global Attention for Name Tagging [56.62059996864408]
ローカル、文書レベル、コーパスレベルのコンテキスト情報を活用することで、名前タグを改善するための新しいフレームワークを提案する。
本研究では,グローバルな注意を介し,文書レベルのコンテキスト情報とコーパスレベルのコンテキスト情報と,局所的なコンテキスト情報とを組み込むことを学習するモデルを提案する。
ベンチマークデータセットの実験は、我々のアプローチの有効性を示している。
論文 参考訳（メタデータ） (2020-10-19T07:27:15Z) - Fine-Grained Named Entity Typing over Distantly Supervised Data Based on
Refined Representations [16.30478830298353]
Fine-Grained Named Entity Typing (FG-NET) は自然言語処理(NLP)の鍵となるコンポーネントである
本稿では,コーパスレベルの文脈的手がかりをエンド分類に先立ち,ノイズの多い参照表現を洗練させるエッジ重み付き注意グラフ畳み込みネットワークを提案する。
実験により,提案モデルではマクロf1とマイクロf1の相対スコアが10.2%,マクロf1が8.3%であった。
論文 参考訳（メタデータ） (2020-04-07T17:26:36Z)
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。