論文の概要: Neural Abstractive Text Summarizer for Telugu Language
- arxiv url: http://arxiv.org/abs/2101.07120v1
- Date: Mon, 18 Jan 2021 15:22:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-27 11:18:00.955337
- Title: Neural Abstractive Text Summarizer for Telugu Language
- Title（参考訳）: Telugu言語のためのニューラル抽象テキスト要約器
- Authors: Mohan Bharath B, Aravindh Gowtham B, Akhil M
- Abstract要約: 提案手法は注意機構を有するエンコーダ・デコーダシーケンシャルモデルに基づく。
我々は、このモデルを手作業で作成したデータセットに適用し、ソーステキストの1文要約を生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Abstractive Text Summarization is the process of constructing semantically
relevant shorter sentences which captures the essence of the overall meaning of
the source text. It is actually difficult and very time consuming for humans to
summarize manually large documents of text. Much of work in abstractive text
summarization is being done in English and almost no significant work has been
reported in Telugu abstractive text summarization. So, we would like to propose
an abstractive text summarization approach for Telugu language using Deep
learning. In this paper we are proposing an abstractive text summarization Deep
learning model for Telugu language. The proposed architecture is based on
encoder-decoder sequential models with attention mechanism. We have applied
this model on manually created dataset to generate a one sentence summary of
the source text and have got good results measured qualitatively.
- Abstract（参考訳）: 抽象テキスト要約 (Abstractive Text Summarization) は、ソーステキストの全体的意味の本質を捉える意味論的に関連する短い文を構築する過程である。
実際、人間がテキストの大きな文書を手作業で要約するのは困難であり、非常に時間がかかります。
抽象的なテキスト要約の作業の多くは英語で行われており、テルグの抽象的なテキスト要約にはほとんど大きな成果が報告されていない。
そこで我々は,Deep Learningを用いたTelugu言語のための抽象的なテキスト要約手法を提案する。
本稿では,Telugu言語のための抽象テキスト要約深層学習モデルを提案する。
提案手法は注意機構を有するエンコーダ・デコーダシーケンシャルモデルに基づく。
このモデルを手作業で作成したデータセットに適用して,ソーステキストの一文要約を生成し,質的に測定した結果を得た。
関連論文リスト
- Factually Consistent Summarization via Reinforcement Learning with
Textual Entailment Feedback [57.816210168909286]
我々は,この問題を抽象的な要約システムで解くために,テキストエンテーメントモデルの最近の進歩を活用している。
我々は、事実整合性を最適化するために、レファレンスフリーのテキストエンターメント報酬を用いた強化学習を用いる。
自動測定と人的評価の両結果から,提案手法は生成した要約の忠実さ,サリエンス,簡潔さを著しく向上させることが示された。
論文 参考訳（メタデータ） (2023-05-31T21:04:04Z) - Abstractive Summary Generation for the Urdu Language [1.9594639581421422]
我々は、自己認識機構を利用して入力テキストを符号化し、要約を生成するトランスフォーマーベースのモデルを用いる。
実験の結果,我々のモデルは文法的に正し,意味的に意味のある要約を生成できることがわかった。
論文 参考訳（メタデータ） (2023-05-25T15:55:42Z) - Uzbek text summarization based on TF-IDF [0.0]
本稿では,ウズベク語における要約課題について実験する。
この手法はTF-IDFアルゴリズムに基づくテキスト抽象化に基づいている。
テキスト全体の重要な部分にn-gram法を適用することで、与えられたテキストを要約する。
論文 参考訳（メタデータ） (2023-03-01T12:39:46Z) - Generating Multiple-Length Summaries via Reinforcement Learning for
Unsupervised Sentence Summarization [44.835811239393244]
文要約は、テキストの中核的な内容を維持しながら与えられたテキストを短縮する。
人書きの要約のないテキストを要約するために、教師なしのアプローチが研究されている。
本研究では, 基礎構造を含まない強化学習に基づく抽象モデルを提案する。
論文 参考訳（メタデータ） (2022-12-21T08:34:28Z) - A Survey on Neural Abstractive Summarization Methods and Factual
Consistency of Summarization [18.763290930749235]
要約は、サブセット(要約)を作成するために、テキストデータの集合を計算的に短縮する過程である
既存の要約法は、抽出法と抽象法という2つのタイプに大別できる。
抽出要約器は、ソース文書からテキストスニペットを明示的に選択し、抽象要約器は、ソースで広く普及している最も健全な概念を伝えるために、新しいテキストスニペットを生成する。
論文 参考訳（メタデータ） (2022-04-20T14:56:36Z) - 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) - Abstractive Summarization of Spoken and Written Instructions with BERT [66.14755043607776]
本稿では,BERTSumモデルの最初の対話型言語への応用について述べる。
我々は多種多様な話題にまたがるナレーションビデオの抽象要約を生成する。
我々は、これをインテリジェントな仮想アシスタントの機能として統合し、要求に応じて文字と音声の両方の指導内容の要約を可能にすることを想定する。
論文 参考訳（メタデータ） (2020-08-21T20:59:34Z) - From Standard Summarization to New Tasks and Beyond: Summarization with
Manifold Information [77.89755281215079]
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。
論文 参考訳（メタデータ） (2020-05-10T14:59:36Z) - Few-Shot Learning for Opinion Summarization [117.70510762845338]
オピニオン要約は、複数の文書で表現された主観的な情報を反映したテキストの自動生成である。
本研究では,要約テキストの生成をブートストラップするのには,少数の要約でも十分であることを示す。
提案手法は, 従来の抽出法および抽象法を, 自動的, 人的評価において大きく上回っている。
論文 参考訳（メタデータ） (2020-04-30T15:37:38Z) - Extractive Summarization as Text Matching [123.09816729675838]
本稿では,ニューラル抽出要約システムの構築方法に関するパラダイムシフトを作成する。
抽出した要約タスクを意味テキストマッチング問題として定式化する。
我々はCNN/DailyMailの最先端抽出結果を新しいレベル(ROUGE-1の44.41)に推し進めた。
論文 参考訳（メタデータ） (2020-04-19T08:27:57Z) - Amharic Abstractive Text Summarization [0.6703429330486277]
テキスト要約は、長いテキストをほんの一握りの文に凝縮するタスクである。
本稿では、カリキュラム学習とディープラーニングを組み合わせた新しいアプローチの一つとして、スケジューリングサンプリング(Schduled Smpling)というモデルについて論じる。
我々はこの研究を、アフリカンNLPコミュニティをトップノートのディープラーニングアーキテクチャで豊かにしようとする中で、Amharic Language(英語版)と呼ばれる最も広く話されているアフリカの言語に応用する。
論文 参考訳（メタデータ） (2020-03-30T18:15:32Z)
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。