論文の概要: The Style-Content Duality of Attractiveness: Learning to Write
Eye-Catching Headlines via Disentanglement
- arxiv url: http://arxiv.org/abs/2012.07419v1
- Date: Mon, 14 Dec 2020 11:11:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 14:34:17.488039
- Title: The Style-Content Duality of Attractiveness: Learning to Write
Eye-Catching Headlines via Disentanglement
- Title(参考訳): 魅力のスタイル-コンテンツ二重性--斜めを通したアイキャッチヘッドラインの書き方を学ぶ
- Authors: Mingzhe Li, Xiuying Chen, Min Yang, Shen Gao, Dongyan Zhao and Rui Yan
- Abstract要約: 目を引く見出しはクリック数を増やす最初のデバイスとして機能し、プロデューサーと視聴者の間の相互効果をもたらす。
そこで本稿では,魅力的なコンテンツを取り込む見出しを生成するdahg(disentanglement-based attractive headline generator)を提案する。
- 参考スコア(独自算出の注目度): 59.58372539336339
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Eye-catching headlines function as the first device to trigger more clicks,
bringing reciprocal effect between producers and viewers. Producers can obtain
more traffic and profits, and readers can have access to outstanding articles.
When generating attractive headlines, it is important to not only capture the
attractive content but also follow an eye-catching written style. In this
paper, we propose a Disentanglement-based Attractive Headline Generator (DAHG)
that generates headline which captures the attractive content following the
attractive style. Concretely, we first devise a disentanglement module to
divide the style and content of an attractive prototype headline into latent
spaces, with two auxiliary constraints to ensure the two spaces are indeed
disentangled. The latent content information is then used to further polish the
document representation and help capture the salient part. Finally, the
generator takes the polished document as input to generate headline under the
guidance of the attractive style. Extensive experiments on the public Kuaibao
dataset show that DAHG achieves state-of-the-art performance. Human evaluation
also demonstrates that DAHG triggers 22% more clicks than existing models.
- Abstract(参考訳): 目を引く見出しはクリック数を増やす最初のデバイスとして機能し、プロデューサーと視聴者の間の相互効果をもたらす。
制作者はより多くのトラフィックと利益を得ることができ、読者は優れた記事にアクセスできる。
魅力的な見出しを作る際には、魅力ある内容だけでなく、目を引く文体に従うことが重要である。
本稿では, 魅力あるスタイルに追従して, 魅力あるコンテンツをキャプチャする見出しを生成するDAHG(Disentanglement-based Attractive Headline Generator)を提案する。
具体的には、まず、魅力的なプロトタイプヘッドラインのスタイルと内容をラテント空間に分割し、この2つの空間が実際にアンタングル化されることを保証するための2つの補助的制約を考案する。
次に、潜在コンテンツ情報は、文書表現をさらに洗練し、敬語部分のキャプチャを助けるために使用される。
最後に、研磨された文書を入力として、魅力的なスタイルの指導の下で見出しを生成する。
パブリックなKuaibaoデータセットに関する大規模な実験は、DAHGが最先端のパフォーマンスを達成することを示している。
人的評価はまた、DAHGが既存のモデルよりも22%多くのクリックをトリガーすることを示している。
関連論文リスト
- Generating Attractive and Authentic Copywriting from Customer Reviews [7.159225692930055]
本稿では,顧客のレビューに基づいて,商品の実践的体験を手軽に提供し,コピーライティングを生成することを提案する。
そこで我々は,強化学習により強化されたシーケンス・ツー・シーケンス(Sequence-to-Sequence)フレームワークを開発した。
我々のフレームワークは、LLaMA-2-chat-7BやGPT-3.5など、既存のベースラインやゼロショットの大規模言語モデルよりも優れています。
論文 参考訳(メタデータ) (2024-04-22T06:33:28Z) - Named Entity Recognition Based Automatic Generation of Research
Highlights [3.9410617513331863]
我々は,研究論文の異なるセクションを入力として,研究ハイライトを自動的に生成することを目指している。
入力に名前付きエンティティ認識を用いることで、生成したハイライトの品質が向上するかどうかを検討する。
論文 参考訳(メタデータ) (2023-02-25T16:33:03Z) - Contrastive Learning enhanced Author-Style Headline Generation [15.391087541824279]
CLH3G(Contrastive Learning enhanced Historical Headlines based Headline Generation)と呼ばれる新しいSeq2Seqモデルを提案する。
過去の見出しを考慮に入れることで、著者のスタイル的特徴をモデルに統合し、著者のスタイルと整合した見出しを生成することができる。
実験の結果,同一ユーザの過去の見出しは,見出し生成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) (2022-11-07T04:51:03Z) - Paired Cross-Modal Data Augmentation for Fine-Grained Image-to-Text
Retrieval [142.047662926209]
本稿では,StyleGAN2モデルの隠れセマンティック情報を明らかにすることによって,ペアデータ拡張のための新しいフレームワークを提案する。
ランダムなトークン置換によって拡張テキストを生成し、拡張テキストを潜在空間アライメントモジュールに渡す。
我々は,2つのパブリックなクロスモーダル検索データセットに対する拡張データアプローチの有効性を評価する。
論文 参考訳(メタデータ) (2022-07-29T01:21:54Z) - Generating More Pertinent Captions by Leveraging Semantics and Style on
Multi-Source Datasets [56.018551958004814]
本稿では,データソースの非一様結合をトレーニングすることで,流動的な記述を生成するタスクに対処する。
ノイズの多い画像とテキストのペアを持つ大規模データセットは、サブ最適の監視源を提供する。
本稿では,検索コンポーネントから抽出したスタイルトークンとキーワードを組み込むことにより,セマンティクスと記述スタイルを活用・分離することを提案する。
論文 参考訳(メタデータ) (2021-11-24T19:00:05Z) - Knowledge-Enhanced Personalized Review Generation with Capsule Graph
Neural Network [81.81662828017517]
カプセルグラフニューラルネットワークを用いた知識強調型PRGモデル(Caps-GNN)を提案する。
我々の生成プロセスは、アスペクトシーケンス生成と文生成という2つの大きなステップを含む。
組み込まれた知識グラフは、アスペクトレベルとワードレベルの両方でユーザの好みを高めることができる。
論文 参考訳(メタデータ) (2020-10-04T03:54:40Z) - Hooks in the Headline: Learning to Generate Headlines with Controlled
Styles [69.30101340243375]
我々は,見出しを3つのスタイルで強化する新しいタスク,Styllistic Headline Generation (SHG)を提案する。
TitleStylistは、要約と再構築タスクをマルチタスクフレームワークに組み合わせることで、スタイル固有の見出しを生成する。
我々のモデルが生成したアトラクションスコアは、最先端の要約モデルの9.68%を超え、人間による参照よりも優れています。
論文 参考訳(メタデータ) (2020-04-04T17:24:47Z) - Learning to Select Bi-Aspect Information for Document-Scale Text Content
Manipulation [50.01708049531156]
我々は、テキストスタイルの転送とは逆の文書スケールのテキストコンテンツ操作という、新しい実践的なタスクに焦点を当てる。
詳細は、入力は構造化されたレコードと、別のレコードセットを記述するための参照テキストのセットである。
出力は、ソースレコードセットの部分的内容と参照の書き込みスタイルを正確に記述した要約である。
論文 参考訳(メタデータ) (2020-02-24T12:52:10Z) - Attractive or Faithful? Popularity-Reinforced Learning for Inspired
Headline Generation [0.0]
PORL-HG(Popularity-Reinforced Learning for inspired Headline Generation)という新しいフレームワークを提案する。
PORL-HGは,1) 抽出者に対して,抽出者から魅力的な文を選択するよう誘導するPTA (Popular Topic Attention) と,2) 抽出者に対して魅力的な文の書き直しを誘導する人気予測器を併用して,抽出促進アーキテクチャを利用する。
提案したPORL-HGは,ヒト (71.03%) と予測因子 (少なくとも27.60%) で評価された,最先端のヘッドライン生成モデルよりも優れていた。
論文 参考訳(メタデータ) (2020-02-06T04:37:44Z)
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。