Fugu-MT 論文翻訳(概要): Generating abstractive summaries of Lithuanian news articles using a transformer model

論文の概要: Generating abstractive summaries of Lithuanian news articles using a transformer model

arxiv url: http://arxiv.org/abs/2105.03279v1
Date: Fri, 23 Apr 2021 20:10:42 GMT
ステータス: 処理完了
システム内更新日: 2021-05-11 08:34:49.480487
Title: Generating abstractive summaries of Lithuanian news articles using a transformer model
Title（参考訳）: 変圧器モデルを用いたリトアニアニュース記事の抽象要約生成
Authors: Lukas Stankevi\v{c}ius and Mantas Luko\v{s}evi\v{c}ius
Abstract要約: 我々はリトアニアのニュース記事のコーパスで最初の単言語リトアニアトランスフォーマーモデルを訓練する。抽象ニュース要約のための様々な出力復号アルゴリズムを比較した。すべての技術的詳細を説明し、トレーニングを受けたモデルと付随するコードをオンラインオープンソースリポジトリで共有します。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In this work, we train the first monolingual Lithuanian transformer model on a relatively large corpus of Lithuanian news articles and compare various output decoding algorithms for abstractive news summarization. Generated summaries are coherent and look impressive at the first glance. However, some of them contain misleading information that is not so easy to spot. We describe all the technical details and share our trained model and accompanying code in an online open-source repository, as well as some characteristic samples of the generated summaries.
Abstract（参考訳）: 本研究では,リトアニアのニュース記事の比較的大規模なコーパス上で,最初の単言語リトアニア語トランスフォーマーモデルを訓練し,抽象的ニュース要約のための各種出力復号アルゴリズムを比較した。生成された要約は一貫性があり、一見すると印象的だ。しかし、それらの中には見当たらない誤解を招く情報を含むものもある。技術的な詳細をすべて説明し、トレーニングしたモデルと関連するコードをオンラインのオープンソースリポジトリと、生成されたサマリーの特徴的なサンプルで共有します。

関連論文リスト

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)
Salience Allocation as Guidance for Abstractive Summarization [61.31826412150143]
本稿では, サリエンセ・サリエンス・ガイダンス(SEASON, SaliencE Allocation as Guidance for Abstractive SummarizatiON)を用いた新しい要約手法を提案する。 SEASONは、サリエンス予測の割り当てを利用して抽象的な要約を導き、異なる抽象性のある記事に順応する。
論文参考訳（メタデータ） (2022-10-22T02:13:44Z)
Evaluation of Abstractive Summarisation Models with Machine Translation in Deliberative Processes [23.249742737907905]
このデータセットは、主に文法的品質の低い複数の物語を単一のテキストで組み合わせることの難しさを反映している。本稿では,市販機械翻訳モデルと組み合わせて,多種多様な抽象的要約モデルを広範囲に評価する。生成した要約の流布,一貫性,関連性について有望な結果を得た。
論文参考訳（メタデータ） (2021-10-12T09:23:57Z)
StreamHover: Livestream Transcript Summarization and Annotation [54.41877742041611]
ライブストリームの書き起こしを注釈付けして要約するフレームワークであるStreamHoverを紹介します。合計500時間以上のビデオに抽出的要約と抽象的要約を併用したベンチマークデータセットは,既存の注釈付きコーパスよりもはるかに大きい。我々のモデルはより一般化され、強力なベースラインよりも性能が向上することを示す。
論文参考訳（メタデータ） (2021-09-11T02:19:37Z)
Automated News Summarization Using Transformers [4.932130498861987]
我々は,テキスト要約のためのトランスフォーマーアーキテクチャに基づく事前学習モデルについて,包括的に比較する。分析と比較のために,要約や人為的な要約に使用できるテキストデータを含むBBCニュースデータセットを用いた。
論文参考訳（メタデータ） (2021-04-23T04:22:33Z)
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)
Liputan6: A Large-scale Indonesian Dataset for Text Summarization [43.375797352517765]
オンラインニュースポータルであるLiputan6.comから記事を抽出し、215,827のドキュメント-要約ペアを取得する。事前学習した言語モデルを用いて,データセット上のベンチマーク抽出および抽象的要約手法を開発する。
論文参考訳（メタデータ） (2020-11-02T02:01:12Z)
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)
Mind The Facts: Knowledge-Boosted Coherent Abstractive Text Summarization [47.47707316595568]
本稿ではトランスフォーマーエンコーダデコーダアーキテクチャを拡張した新しいアーキテクチャを提案する。 Wikidataナレッジグラフからエンティティレベルの知識をエンコーダ・デコーダアーキテクチャに組み込む。これにより、ソース記事が長い場合でも、コヒーレントな要約を生成するのに役立ちます。
論文参考訳（メタデータ） (2020-06-27T20:06:15Z)
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)

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。