論文の概要: Semantic Extractor-Paraphraser based Abstractive Summarization
- arxiv url: http://arxiv.org/abs/2105.01296v1
- Date: Tue, 4 May 2021 05:24:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-05 18:21:53.076124
- Title: Semantic Extractor-Paraphraser based Abstractive Summarization
- Title(参考訳): semantic extractor-paraphraser based abstractive summarization
- Authors: Anubhav Jangra, Raghav Jain, Vaibhav Mavi, Sriparna Saha, Pushpak
Bhattacharyya
- Abstract要約: 本稿では,意味的重複を利用した抽出-パラフレーザーベース抽象要約システムを提案する。
私達のモデルはROUGE、METEORおよび単語の類似性(WMS)の点では最先端のベースラインを上回ります。
- 参考スコア(独自算出の注目度): 40.05739160204135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The anthology of spoken languages today is inundated with textual
information, necessitating the development of automatic summarization models.
In this manuscript, we propose an extractor-paraphraser based abstractive
summarization system that exploits semantic overlap as opposed to its
predecessors that focus more on syntactic information overlap. Our model
outperforms the state-of-the-art baselines in terms of ROUGE, METEOR and word
mover similarity (WMS), establishing the superiority of the proposed system via
extensive ablation experiments. We have also challenged the summarization
capabilities of the state of the art Pointer Generator Network (PGN), and
through thorough experimentation, shown that PGN is more of a paraphraser,
contrary to the prevailing notion of a summarizer; illustrating it's
incapability to accumulate information across multiple sentences.
- Abstract(参考訳): 現在,音声言語のアンソロジーはテキスト情報に埋もれており,自動要約モデルの開発が必要である。
本稿では,構文情報重なりに重点を置く前任者に対して,意味的重なりを生かした抽出・パラフラザーに基づく抽象要約システムを提案する。
我々のモデルはROUGE, METEOR, Word mover similarity (WMS) で最先端のベースラインを上回り, 広範囲なアブレーション実験により提案手法の優位性を確立する。
我々はまた,アートポインタージェネレータネットワーク(PGN)の現状の要約機能に挑戦し,PGNは要約器の概念とは対照的にパラフレーズであり,複数の文にまたがる情報の蓄積が不可能であることを示した。
関連論文リスト
- Hierarchical Indexing for Retrieval-Augmented Opinion Summarization [68.09977874599925]
本稿では,抽出アプローチの帰属性と拡張性と,大規模言語モデル(LLM)の一貫性と拡散性を組み合わせた,教師なし抽象的意見要約手法を提案する。
我々の方法であるHIROは、意味的に整理された離散的な階層を通して文を経路にマッピングするインデックス構造を学習する。
推測時にインデックスを投入し、入力レビューから人気意見を含む文群を識別し、検索する。
論文 参考訳(メタデータ) (2024-03-01T10:38:07Z) - Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual
Recognition [57.08108545219043]
サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。
既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。
本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
論文 参考訳(メタデータ) (2023-05-12T00:13:17Z) - The Current State of Summarization [0.0]
本研究は,抽象テキスト要約における技術の現状を簡潔に示すことを目的としている。
本稿では,事前学習したエンコーダデコーダモデルと大規模自己回帰言語モデルへの現在のパラダイムシフトについて概説する。
論文 参考訳(メタデータ) (2023-05-08T17:00:49Z) - Unsupervised Syntactically Controlled Paraphrase Generation with
Abstract Meaning Representations [59.10748929158525]
抽象表現(AMR)は、教師なし構文制御されたパラフレーズ生成の性能を大幅に向上させることができる。
提案モデルであるAMRPGは,AMRグラフを符号化し,入力文を2つの非絡み合った意味的および構文的埋め込みに解析する。
実験により、AMRPGは既存の教師なしアプローチと比較して、定量的かつ質的に、より正確な構文制御されたパラフレーズを生成することが示された。
論文 参考訳(メタデータ) (2022-11-02T04:58:38Z) - Transition-based Abstract Meaning Representation Parsing with Contextual
Embeddings [0.0]
本研究では,意味解析のタスクにおいて,言語モデルと記号意味論の定式化という,言語の意味への最も成功したルートを2つ組み合わせる手法について検討する。
本稿では,事前学習した文脈認識単語の埋め込み(BERTやRoBERTaなど)を解析問題に組み込むことの有用性について検討する。
論文 参考訳(メタデータ) (2022-06-13T15:05:24Z) - EASE: Extractive-Abstractive Summarization with Explanations [18.046254486733186]
情報ボトルネック原理に基づく説明可能な要約システムを提案する。
人間が長い文書をまとめるために2段階の枠組みを使用するという以前の研究に触発されて、私たちのフレームワークは最初に説明として事前に定義された証拠の量を抽出します。
生成した要約の質を著しく犠牲にすることなく、我々のフレームワークからの説明は単純なベースラインよりも適切であることを示す。
論文 参考訳(メタデータ) (2021-05-14T17:45:06Z) - Introducing Syntactic Structures into Target Opinion Word Extraction
with Deep Learning [89.64620296557177]
目的語抽出のためのディープラーニングモデルに文の構文構造を組み込むことを提案する。
また,ディープラーニングモデルの性能向上のために,新たな正規化手法を導入する。
提案モデルは,4つのベンチマークデータセット上での最先端性能を広範囲に解析し,達成する。
論文 参考訳(メタデータ) (2020-10-26T07:13:17Z) - Topic-Guided Abstractive Text Summarization: a Joint Learning Approach [19.623946402970933]
本稿では,抽象テキスト要約のための新しいアプローチ,トピックガイドによる抽象要約を提案する。
ニューラルネットワークをTransformerベースのシーケンス・ツー・シーケンス(seq2seq)モデルに結合学習フレームワークに組み込むことが目的だ。
論文 参考訳(メタデータ) (2020-10-20T14:45:25Z) - 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) - Knowledge Graph-Augmented Abstractive Summarization with Semantic-Driven
Cloze Reward [42.925345819778656]
本稿では,グラフ拡張と意味駆動型RewarDによる抽象要約のための新しいフレームワークであるASGARDを紹介する。
本稿では,2つのエンコーダ(シーケンシャル文書エンコーダ)とグラフ構造化エンコーダ(グラフ構造化エンコーダ)の利用を提案する。
その結果、我々のモデルは、New York TimesとCNN/Daily Mailのデータセットからの入力として、知識グラフのない変種よりもはるかに高いROUGEスコアを生成することがわかった。
論文 参考訳(メタデータ) (2020-05-03T18:23:06Z)
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。