論文の概要: Multi-document Summarization via Deep Learning Techniques: A Survey
- arxiv url: http://arxiv.org/abs/2011.04843v3
- Date: Thu, 9 Dec 2021 02:37:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 06:39:41.834605
- Title: Multi-document Summarization via Deep Learning Techniques: A Survey
- Title(参考訳): ディープラーニング技術によるマルチドキュメント要約:調査
- Authors: Congbo Ma, Wei Emma Zhang, Mingyu Guo, Hu Wang, Quan Z. Sheng
- Abstract要約: ニューラルネットワークの設計戦略を要約する新しい分類法を提案する。
既存の文献ではめったに議論されない様々な目的関数の違いを強調した。
- 参考スコア(独自算出の注目度): 29.431160110691607
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-document summarization (MDS) is an effective tool for information
aggregation that generates an informative and concise summary from a cluster of
topic-related documents. Our survey, the first of its kind, systematically
overviews the recent deep learning based MDS models. We propose a novel
taxonomy to summarize the design strategies of neural networks and conduct a
comprehensive summary of the state-of-the-art. We highlight the differences
between various objective functions that are rarely discussed in the existing
literature. Finally, we propose several future directions pertaining to this
new and exciting field.
- Abstract(参考訳): マルチドキュメント要約(MDS)は、トピック関連の文書群から情報的かつ簡潔な要約を生成する情報集約の有効なツールである。
私たちの調査は、この種の最初のもので、最近のディープラーニングに基づくMDSモデルについて体系的に概説している。
本稿では,ニューラルネットワークの設計戦略を要約し,最先端の総合的な要約を行うための新しい分類法を提案する。
既存の文献ではほとんど議論されない様々な目的関数の違いを強調する。
最後に、この新しくエキサイティングな分野に関する今後の方向性をいくつか提案する。
関連論文リスト
- Large Language Models for Generative Information Extraction: A Survey [89.71273968283616]
情報抽出は、平易な自然言語テキストから構造的知識を抽出することを目的としている。
生成型大規模言語モデル(LLM)は、テキストの理解と生成において顕著な能力を示した。
LLMは生成パラダイムに基づいたIEタスクに対して実行可能なソリューションを提供する。
論文 参考訳(メタデータ) (2023-12-29T14:25:22Z) - PELMS: Pre-training for Effective Low-Shot Multi-Document Summarization [4.6493060043204535]
PELMSは,簡潔で流動的で忠実な要約を生成する事前学習モデルである。
我々は9300万以上のドキュメントを含むマルチドキュメント事前学習コーパスであるMultiPTをコンパイルし、300万以上の未ラベルのトピック中心のドキュメントクラスタを形成する。
我々のアプローチは、全体的な情報性、抽象性、一貫性、忠実性に関して、競争比較を一貫して上回る。
論文 参考訳(メタデータ) (2023-11-16T12:05:23Z) - Generating a Structured Summary of Numerous Academic Papers: Dataset and
Method [20.90939310713561]
本稿では,各トピックに関する多数の学術論文の包括的な要約を生成するための,最初の大規模データセットであるBigSurveyを提案する。
我々は,7万件以上の調査論文から対象要約を収集し,その430万件の参考論文の要約を入力文書として活用する。
数十の入力文書から多種多様な内容を整理するために,カテゴリベースアライメント・スパース・トランスフォーマー (CAST) と呼ばれる要約手法を提案する。
論文 参考訳(メタデータ) (2023-02-09T11:42:07Z) - Embedding Knowledge for Document Summarization: A Survey [66.76415502727802]
従来の研究は、知識を組み込んだ文書要約器が優れた消化器を生成するのに優れていたことを証明した。
本稿では,文書要約ビューに基づいて,知識と知識の埋め込みを再カプセル化する手法を提案する。
論文 参考訳(メタデータ) (2022-04-24T04:36:07Z) - Topic-Guided Abstractive Multi-Document Summarization [21.856615677793243]
多文書要約(MDS)の重要なポイントは、様々な文書間の関係を学習することである。
異種グラフとして複数の文書を表現できる新しい抽象MDSモデルを提案する。
我々は、クロスドキュメントセマンティックユニットとして機能する潜在トピックを共同で発見するために、ニューラルトピックモデルを採用している。
論文 参考訳(メタデータ) (2021-10-21T15:32:30Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳(メタデータ) (2021-07-05T16:32:45Z) - Video Summarization Using Deep Neural Networks: A Survey [72.98424352264904]
ビデオ要約技術は、ビデオコンテンツの最も有益な部分を選択して、簡潔で完全なシノプシスを作成することを目指しています。
本研究は,この領域における最近の進歩に着目し,既存の深層学習に基づく総括的映像要約手法の包括的調査を行う。
論文 参考訳(メタデータ) (2021-01-15T11:41:29Z) - Summarizing Text on Any Aspects: A Knowledge-Informed Weakly-Supervised
Approach [89.56158561087209]
文書に関連する任意の側面を要約する。
監視データがないため、我々は新しい弱い監督構築法とアスペクト・モデリング・スキームを開発した。
実験により,本手法は実文書と合成文書の両方を要約することで,性能の向上を図っている。
論文 参考訳(メタデータ) (2020-10-14T03:20:46Z) - SupMMD: A Sentence Importance Model for Extractive Summarization using
Maximum Mean Discrepancy [92.5683788430012]
SupMMDは、カーネルの2サンプルテストと最大の相違点に基づく、ジェネリックおよび更新の要約のための新しいテクニックである。
DUC-2004 および TAC-2009 データセット上での現在の技術状況を満たしたり超えたりすることで,SupMMD の総合的および更新的要約タスクにおける有効性を示す。
論文 参考訳(メタデータ) (2020-10-06T09:26:55Z) - Text-based Question Answering from Information Retrieval and Deep Neural
Network Perspectives: A Survey [0.0]
テキストベースの質問回答(QA)は,ユーザの質問に対する簡潔な回答を見つけることを目的とした課題である。
本論文の主な焦点であるディープラーニングアプローチは,複数のレイヤの表現と質問とテキスト間の相互作用を学習する強力な技術を提供する。
論文 参考訳(メタデータ) (2020-02-16T16:24:39Z)
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。