論文の概要: Entity-level Factual Consistency of Abstractive Text Summarization
- arxiv url: http://arxiv.org/abs/2102.09130v1
- Date: Thu, 18 Feb 2021 03:07:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-19 14:33:44.222951
- Title: Entity-level Factual Consistency of Abstractive Text Summarization
- Title（参考訳）: Abstractive Text Summarizationのエンティティレベルの実体整合性
- Authors: Feng Nan, Ramesh Nallapati, Zhiguo Wang, Cicero Nogueira dos Santos,
Henghui Zhu, Dejiao Zhang, Kathleen McKeown, Bing Xiang
- Abstract要約: 抽象要約の重要な課題は、生成した要約の原文書に対する事実的一貫性を保証することである。
生成した要約の実体レベルの事実整合性を定量化するための新しいメトリクスセットを提案する。
- 参考スコア（独自算出の注目度）: 26.19686599842915
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A key challenge for abstractive summarization is ensuring factual consistency
of the generated summary with respect to the original document. For example,
state-of-the-art models trained on existing datasets exhibit entity
hallucination, generating names of entities that are not present in the source
document. We propose a set of new metrics to quantify the entity-level factual
consistency of generated summaries and we show that the entity hallucination
problem can be alleviated by simply filtering the training data. In addition,
we propose a summary-worthy entity classification task to the training process
as well as a joint entity and summary generation approach, which yield further
improvements in entity level metrics.
- Abstract（参考訳）: 抽象要約の鍵となる課題は、生成した要約の原文書に対する事実的一貫性を保証することである。
例えば、既存のデータセットでトレーニングされた最先端モデルは、エンティティ幻覚を示し、ソースドキュメントに存在しないエンティティの名前を生成する。
生成した要約のエンティティレベルの事実一貫性を定量化するための新しいメトリクスのセットを提案し、トレーニングデータをフィルタリングするだけでエンティティの幻覚問題を軽減できることを示した。
さらに, 学習プロセスにおける要約にふさわしいエンティティ分類タスクと, 統合エンティティと要約生成アプローチを提案し, エンティティレベルの指標をさらに改善した。
関連論文リスト
- Write Summary Step-by-Step: A Pilot Study of Stepwise Summarization [48.57273563299046]
本稿では,新たな文書が提案されるたびに追加の要約を生成するステップワイド要約の課題を提案する。
追加された要約は、新たに追加されたコンテンツを要約するだけでなく、以前の要約と一貫性を持たなければならない。
SSGは,自動計測と人的評価の両面から,最先端のパフォーマンスを実現していることを示す。
論文 参考訳（メタデータ） (2024-06-08T05:37:26Z) - GUMsley: Evaluating Entity Salience in Summarization for 12 English
Genres [14.37990666928991]
GUMsleyは、12のジャンルの英語テキストに対して、名前付きおよび名前なしの敬意的エンティティを全てカバーする最初のエンティティ・サリエンス・データセットである。
いくつかのモデルアーキテクチャに対して健全なエンティティを予測または提供することにより、パフォーマンスが向上し、高品質なサマリーの導出に役立つことを示す。
論文 参考訳（メタデータ） (2024-01-31T16:30:50Z) - Questioning the Validity of Summarization Datasets and Improving Their
Factual Consistency [14.974996886744083]
SummFCは,事実整合性を改善したフィルタされた要約データセットである。
我々は,データセットが要約システムの開発と評価のための有効なベンチマークとなるべきだと論じている。
論文 参考訳（メタデータ） (2022-10-31T15:04:20Z) - Masked Summarization to Generate Factually Inconsistent Summaries for
Improved Factual Consistency Checking [28.66287193703365]
本稿では,キー情報を隠蔽したソーステキストと参照要約を用いて,現実的に一貫性のない要約を生成することを提案する。
7つのベンチマークデータセットを用いた実験により,提案手法を用いて生成した要約に基づいて訓練された実例整合性分類器が既存モデルを上回っていることが示された。
論文 参考訳（メタデータ） (2022-05-04T12:48:49Z) - Unsupervised Opinion Summarization with Content Planning [58.5308638148329]
要約モデルにコンテンツプランニングを明示的に組み込むことで、より高い品質のアウトプットが得られることを示す。
また、より自然な合成データセットを作成し、実世界の文書と要約のペアに似ている。
当社のアプローチは,情報的,一貫性,流動的な要約を生成する上で,競争モデルよりも優れています。
論文 参考訳（メタデータ） (2020-12-14T18:41:58Z) - Multi-Fact Correction in Abstractive Text Summarization [98.27031108197944]
Span-Factは、質問応答モデルから学んだ知識を活用して、スパン選択によるシステム生成サマリーの補正を行う2つの事実補正モデルのスイートである。
我々のモデルは、ソースコードのセマンティック一貫性を確保するために、反復的または自動回帰的にエンティティを置き換えるために、シングルまたはマルチマスキング戦略を採用している。
実験の結果,自動測定と人的評価の両面において,要約品質を犠牲にすることなく,システム生成要約の事実整合性を大幅に向上させることができた。
論文 参考訳（メタデータ） (2020-10-06T02:51:02Z) - 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) - Unsupervised Opinion Summarization with Noising and Denoising [85.49169453434554]
ユーザレビューのコーパスから合成データセットを作成し、レビューをサンプリングし、要約のふりをして、ノイズのあるバージョンを生成します。
テスト時に、モデルは本物のレビューを受け入れ、健全な意見を含む要約を生成し、合意に達しないものをノイズとして扱います。
論文 参考訳（メタデータ） (2020-04-21T16:54:57Z) - Enhancing Factual Consistency of Abstractive Summarization [57.67609672082137]
ファクトアウェアな要約モデル FASum を提案し,実情関係を抽出し,要約生成プロセスに統合する。
次に,既存のシステムから生成した要約から事実誤りを自動的に補正する事実補正モデルFCを設計する。
論文 参考訳（メタデータ） (2020-03-19T07:36:10Z) - StructSum: Summarization via Structured Representations [27.890477913486787]
抽象テキスト要約は、長い資料の情報を要約した要約に圧縮することを目的としている。
モデリング技術の進歩にもかかわらず、抽象的な要約モデルは依然としていくつかの重要な課題に悩まされている。
本稿では,これらの課題に対処するための要約のための文書レベルの構造誘導に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-01T20:32:51Z)
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。