論文の概要: Enhancing Scientific Papers Summarization with Citation Graph
- arxiv url: http://arxiv.org/abs/2104.03057v1
- Date: Wed, 7 Apr 2021 11:13:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-08 12:56:06.192179
- Title: Enhancing Scientific Papers Summarization with Citation Graph
- Title（参考訳）: サイテーショングラフによる科学論文要約の強化
- Authors: Chenxin An, Ming Zhong, Yiran Chen, Danqing Wang, Xipeng Qiu, Xuanjing
Huang
- Abstract要約: 引用グラフを用いて科学論文の要約作業を再定義します。
我々は,141kの研究論文を異なる領域に格納した,新しい科学論文要約データセットセマンティックスタディネットワーク(ssn)を構築した。
我々のモデルは、事前訓練されたモデルと比較して競争性能を達成することができる。
- 参考スコア（独自算出の注目度）: 78.65955304229863
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Previous work for text summarization in scientific domain mainly focused on
the content of the input document, but seldom considering its citation network.
However, scientific papers are full of uncommon domain-specific terms, making
it almost impossible for the model to understand its true meaning without the
help of the relevant research community. In this paper, we redefine the task of
scientific papers summarization by utilizing their citation graph and propose a
citation graph-based summarization model CGSum which can incorporate the
information of both the source paper and its references. In addition, we
construct a novel scientific papers summarization dataset Semantic Scholar
Network (SSN) which contains 141K research papers in different domains and 661K
citation relationships. The entire dataset constitutes a large connected
citation graph. Extensive experiments show that our model can achieve
competitive performance when compared with the pretrained models even with a
simple architecture. The results also indicates the citation graph is crucial
to better understand the content of papers and generate high-quality summaries.
- Abstract（参考訳）: 科学領域におけるテキスト要約のこれまでの研究は、主に入力文書の内容に焦点を当てていたが、その引用ネットワークを考慮することはめったにない。
しかし、科学論文はドメイン固有の用語に満ちており、関連する研究コミュニティの助けなしにモデルがその真の意味を理解することはほとんど不可能である。
本稿では,論文要約の課題を引用グラフを利用して再定義し,引用グラフに基づく要約モデルCGSumを提案する。
さらに,異なる領域の141Kの研究論文と661Kの引用関係を含む新たな科学論文要約データセットSemantic Scholar Network (SSN)を構築した。
データセット全体は、大きな連結された引用グラフを構成する。
大規模な実験により, 単純なアーキテクチャであっても, 事前学習モデルと比較すると, 競争性能が向上することが示された。
また,論文の内容をよりよく理解し,高品質な要約を生成するためには,引用グラフが重要であることも示唆した。
関連論文リスト
- Context-Enhanced Language Models for Generating Multi-Paper Citations [35.80247519023821]
本稿では,Large Language Models (LLMs) を用いて多文文を生成する手法を提案する。
提案手法は,複数文の引用文を含むコヒーレントな段落に終止符を打つ,単一のソース・ペーパーと対象論文の集合を包含する。
論文 参考訳（メタデータ） (2024-04-22T04:30:36Z) - Contrastive Hierarchical Discourse Graph for Scientific Document
Summarization [14.930704950433324]
CHANGESは、抽出科学論文要約のための対照的な階層型グラフニューラルネットワークである。
また,グローバルなテーマ認識文表現を学習するためのグラフコントラスト学習モジュールを提案する。
論文 参考訳（メタデータ） (2023-05-31T20:54:43Z) - H2CGL: Modeling Dynamics of Citation Network for Impact Prediction [13.00224680454585]
対象論文の階層的および異質なグラフを年次視点で構築する。
このグラフは、対象論文の科学的文脈情報の年次動態を記録することができる。
階層型および不均一なグラフ学習モデルであるグラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2023-04-16T13:04:32Z) - CiteBench: A benchmark for Scientific Citation Text Generation [69.37571393032026]
CiteBenchは引用テキスト生成のベンチマークである。
CiteBenchのコードはhttps://github.com/UKPLab/citebench.comで公開しています。
論文 参考訳（メタデータ） (2022-12-19T16:10:56Z) - Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。
予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。
そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
論文 参考訳（メタデータ） (2022-12-08T11:53:12Z) - Deep Graph Learning for Anomalous Citation Detection [55.81334139806342]
本稿では,新たな深層グラフ学習モデルであるGLAD(Graph Learning for Anomaly Detection)を提案する。
GLADフレームワーク内ではCPU(Citation PUrpose)と呼ばれるアルゴリズムが提案され,引用テキストに基づく引用の目的が明らかになった。
論文 参考訳（メタデータ） (2022-02-23T09:05:28Z) - CitationIE: Leveraging the Citation Graph for Scientific Information
Extraction [89.33938657493765]
引用論文と引用論文の参照リンクの引用グラフを使用する。
最先端技術に対するエンド・ツー・エンドの情報抽出の大幅な改善を観察する。
論文 参考訳（メタデータ） (2021-06-03T03:00:12Z) - What's New? Summarizing Contributions in Scientific Literature [85.95906677964815]
本稿では,論文のコントリビューションと作業状況について,個別の要約を生成するために,論文要約のアンタングル化という新たなタスクを導入する。
本稿では,学術論文のS2ORCコーパスを拡張し,コントリビューション・コントリビューション・コントリビューション・レファレンス・ラベルを付加する。
本稿では, 生成した出力の関連性, 新規性, 絡み合いを報告する総合的自動評価プロトコルを提案する。
論文 参考訳（メタデータ） (2020-11-06T02:23:01Z)
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。