論文の概要: SGG: Learning to Select, Guide, and Generate for Keyphrase Generation

• arxiv url: http://arxiv.org/abs/2105.02544v1
• Date: Thu, 6 May 2021 09:43:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-07 20:43:41.389858
• Title: SGG: Learning to Select, Guide, and Generate for Keyphrase Generation
• Title（参考訳）: SGG: キーワード生成のための選択、ガイド、生成の学習
• Authors: Jing Zhao, Junwei Bao, Yifan Wang, Youzheng Wu, Xiaodong He, Bowen Zhou
• Abstract要約: キーフレーズは、文書で議論されたハイレベルなトピックを簡潔に要約します。 ほとんどの既存のキーフレーズ生成アプローチは、現在および不在のキーフレーズを同期的に生成する。 本稿では,現在および欠落したキーフレーズ生成を別々に扱うSelect-Guide-Generate(SGG)アプローチを提案する。
• 参考スコア（独自算出の注目度）: 38.351526320316786
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Keyphrases, that concisely summarize the high-level topics discussed in a document, can be categorized into present keyphrase which explicitly appears in the source text, and absent keyphrase which does not match any contiguous subsequence but is highly semantically related to the source. Most existing keyphrase generation approaches synchronously generate present and absent keyphrases without explicitly distinguishing these two categories. In this paper, a Select-Guide-Generate (SGG) approach is proposed to deal with present and absent keyphrase generation separately with different mechanisms. Specifically, SGG is a hierarchical neural network which consists of a pointing-based selector at low layer concentrated on present keyphrase generation, a selection-guided generator at high layer dedicated to absent keyphrase generation, and a guider in the middle to transfer information from selector to generator. Experimental results on four keyphrase generation benchmarks demonstrate the effectiveness of our model, which significantly outperforms the strong baselines for both present and absent keyphrases generation. Furthermore, we extend SGG to a title generation task which indicates its extensibility in natural language generation tasks.
• Abstract（参考訳）: 文書で議論される高レベルな話題を簡潔に要約するキーフレーズは、ソーステキストに明示的に現れる現在のキーフレーズと、連続したサブシーケンスと一致しないがソースと高度に意味的に関連しているキーフレーズに分類することができる。 既存のキーフレーズ生成の多くは、これらの2つのカテゴリを明確に区別することなく、現在および不在のキーフレーズを同期的に生成する。 本稿では,現在および不在キーフレーズ生成を異なる機構で別々に扱うために,sgg(select-guide-generate)アプローチを提案する。 具体的には、現在キーフレーズ生成に集中している低層におけるポインティングベースのセレクタと、欠キーフレーズ生成専用の高層における選択誘導ジェネレータと、セレクタからジェネレータへ情報を転送する中間のガイド装置とからなる階層型ニューラルネットワークである。 4つのキーフレーズ生成ベンチマークにおける実験結果から,本モデルの有効性が示された。 さらに,自然言語生成タスクにおける拡張性を示すタイトル生成タスクにsggを拡張する。

関連論文リスト

• SimCKP: Simple Contrastive Learning of Keyphrase Representations [36.88517357720033]
  そこで本論文では,(1)文脈認識型フレーズレベルの表現からキーフレーズを抽出する抽出器・ジェネレータと,(2)生成したフレーズのスコアを対応する文書と整列させることで,文書に現れないキーフレーズを生成するリランカと,の2つの段階からなる単純なコントラスト学習フレームワークであるSimCKPを提案する。
  論文  参考訳（メタデータ） (2023-10-12T11:11:54Z)
• Retrieval-Augmented Multilingual Keyphrase Generation with Retriever-Generator Iterative Training [66.64843711515341]
  キーフレーズ生成は、長いテキストが与えられたキーフレーズを自動的に予測するタスクである。 我々は多言語キーフレーズ生成という新しい設定に注意を払っている。 非英語言語におけるデータ不足問題を軽減するために,多言語キーフレーズ生成のための検索拡張手法を提案する。
  論文  参考訳（メタデータ） (2022-05-21T00:45:21Z)
• Towards Document-Level Paraphrase Generation with Sentence Rewriting and Reordering [88.08581016329398]
  文書レベルのパラフレーズ生成のためのCoRPG(Coherence Relation Guided Paraphrase Generation)を提案する。 グラフGRUを用いて、コヒーレンス関係グラフを符号化し、各文のコヒーレンス対応表現を得る。 我々のモデルは、より多様性とセマンティックな保存を伴う文書パラフレーズを生成することができる。
  論文  参考訳（メタデータ） (2021-09-15T05:53:40Z)
• Heterogeneous Graph Neural Networks for Keyphrase Generation [13.841525616800908]
  本稿では,関連する参照から明示的な知識を抽出するグラフベースの新しい手法を提案する。 我々のモデルはまず、あらかじめ定義されたインデックスから、ソースドキュメントに似た文書とキーワードのペアを参照として検索する。 復号処理を導くために、ソース文書と参照の両方から適切な単語を直接コピーする階層的注目・複写機構を導入する。
  論文  参考訳（メタデータ） (2021-09-10T07:17:07Z)
• Keyphrase Extraction with Dynamic Graph Convolutional Networks and Diversified Inference [50.768682650658384]
  キーワード抽出(KE)は、ある文書でカバーされている概念やトピックを正確に表現するフレーズの集合を要約することを目的としている。 最近のシークエンス・ツー・シークエンス(Seq2Seq)ベースの生成フレームワークはKEタスクで広く使われ、様々なベンチマークで競合性能を得た。 本稿では,この2つの問題を同時に解くために,動的グラフ畳み込みネットワーク(DGCN)を採用することを提案する。
  論文  参考訳（メタデータ） (2020-10-24T08:11:23Z)
• Persian Keyphrase Generation Using Sequence-to-Sequence Models [1.192436948211501]
  キーワードは入力テキストの要約であり、テキストで議論された主主題を提供する。 本稿では,キーフレーズ生成とニュース記事の抽出に,深いシーケンス・ツー・シーケンスモデルを用いて取り組む。
  論文  参考訳（メタデータ） (2020-09-25T14:40:14Z)
• Select, Extract and Generate: Neural Keyphrase Generation with Layer-wise Coverage Attention [75.44523978180317]
  本稿では,2つの主要成分からなるニューラルキーフレーズ生成モデルであるemphSEG-Netを提案する。 科学的およびWeb文書から得られた7つのキーフレーズ生成ベンチマークの実験結果は、SEG-Netが最先端のニューラル生成手法よりも大きなマージンで優れていることを示している。
  論文  参考訳（メタデータ） (2020-08-04T18:00:07Z)
• Exclusive Hierarchical Decoding for Deep Keyphrase Generation [63.357895318562214]
  キーフレーズ生成(KG)は、文書の主要なアイデアをキーフレーズの集合にまとめることを目的としている。 この設定の以前の作業では、キーフレーズを生成するためのシーケンシャルなデコードプロセスが使用されている。 本稿では,階層的復号化プロセスとソフトかハードかのいずれかを含む排他的階層的復号化フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-18T02:58:00Z)
• Keyphrase Extraction with Span-based Feature Representations [13.790461555410747]
  キーフレーズは、文書を特徴付ける意味メタデータを提供することができる。 キーフレーズ抽出のための3つのアプローチ: (i) 従来の2段階ランキング法、 (ii) シーケンスラベリング、 (iii) ニューラルネットワークを用いた生成。 本稿では,すべてのコンテンツトークンから直接,キーフレーズのスパン的特徴表現を抽出する新規スパンキーフレーズ抽出モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-13T09:48:31Z)

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。