論文の概要: BASS: Boosting Abstractive Summarization with Unified Semantic Graph

• arxiv url: http://arxiv.org/abs/2105.12041v1
• Date: Tue, 25 May 2021 16:20:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-26 16:40:31.787525
• Title: BASS: Boosting Abstractive Summarization with Unified Semantic Graph
• Title（参考訳）: BASS: 統一セマンティックグラフによる抽象要約の強化
• Authors: Wenhao Wu, Wei Li, Xinyan Xiao, Jiachen Liu, Ziqiang Cao, Sujian Li, Hua Wu, Haifeng Wang
• Abstract要約: BASSは、統合されたセマンティックグラフに基づく抽象的な要約を促進するためのフレームワークである。 文書表現と要約生成の両方を改善するために,グラフベースのエンコーダデコーダモデルを提案する。 実験結果から,提案アーキテクチャは長期文書および複数文書要約タスクに大幅な改善をもたらすことが示された。
• 参考スコア（独自算出の注目度）: 49.48925904426591
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Abstractive summarization for long-document or multi-document remains challenging for the Seq2Seq architecture, as Seq2Seq is not good at analyzing long-distance relations in text. In this paper, we present BASS, a novel framework for Boosting Abstractive Summarization based on a unified Semantic graph, which aggregates co-referent phrases distributing across a long range of context and conveys rich relations between phrases. Further, a graph-based encoder-decoder model is proposed to improve both the document representation and summary generation process by leveraging the graph structure. Specifically, several graph augmentation methods are designed to encode both the explicit and implicit relations in the text while the graph-propagation attention mechanism is developed in the decoder to select salient content into the summary. Empirical results show that the proposed architecture brings substantial improvements for both long-document and multi-document summarization tasks.
• Abstract（参考訳）: Seq2Seqは、テキストの長距離関係を解析するのが得意ではないため、Seq2Seqアーキテクチャでは、長いドキュメントや複数ドキュメントの抽象的な要約は依然として難しい。 本稿では,多種多様な文脈に散在する共参照句を集約し,フレーズ間の豊富な関係を伝達する,統一セマンティックグラフに基づく抽象要約の促進のための新しいフレームワークであるBASSを提案する。 さらに,グラフ構造を利用して文書表現と要約生成の両方を改善するために,グラフベースのエンコーダデコーダモデルを提案する。 具体的には,テキスト中の暗黙的関係と暗黙的関係の両方をエンコードするグラフ拡張手法を,デコーダでグラフプロパゲーションアテンション機構を開発し,サマリに有意な内容を選択する。 実験結果から,提案アーキテクチャは長期文書および複数文書要約タスクに大幅な改善をもたらすことが示された。

関連論文リスト

• Doc2SoarGraph: Discrete Reasoning over Visually-Rich Table-Text Documents via Semantic-Oriented Hierarchical Graphs [79.0426838808629]
  視覚的にリッチなテーブルテキスト文書に答えるTAT-DQAを提案する。 具体的には、離散推論機能を強化した新しいDoc2SoarGraphフレームワークを提案する。 我々は,TAT-DQAデータセットに関する広範な実験を行い,提案したフレームワークは,テストセット上でのエクサクティマッチ(EM)とF1スコアでそれぞれ17.73%,F1スコアで16.91%の最高のベースラインモデルを上回る結果を得た。
  論文  参考訳（メタデータ） (2023-05-03T07:30:32Z)
• 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)
• GoSum: Extractive Summarization of Long Documents by Reinforcement Learning and Graph Organized discourse state [6.4805900740861]
  長文要約のための強化学習に基づく抽出モデルであるGoSumを提案する。 GoSumは入力文書ごとに異なる談話レベルから異質なグラフを構築することで状態をエンコードする。 論文要約の2つのデータセット,PubMed と arXiv のモデルを評価する。
  論文  参考訳（メタデータ） (2022-11-18T14:07:29Z)
• FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
  文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。 事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
  論文  参考訳（メタデータ） (2022-04-13T16:45:33Z)
• SgSum: Transforming Multi-document Summarization into Sub-graph Selection [27.40759123902261]
  既存の抽出多文書要約(MDS)手法は、各文を個別にスコアし、一つずつ有能な文を抽出して要約を構成する。 サブグラフ選択問題としてMDSタスクを定式化する新しいMDSフレームワーク(SgSum)を提案する。 我々のモデルは従来のMDS法と比較して、より一貫性があり、情報的な要約を生成できる。
  論文  参考訳（メタデータ） (2021-10-25T05:12:10Z)
• Multiplex Graph Neural Network for Extractive Text Summarization [34.185093491514394]
  抽出テキスト要約は、ある文書から最も代表的な文章を要約として抽出することを目的としている。 文と単語の異なる関係を共同でモデル化する新しい多重グラフ畳み込みネットワーク(Multi-GCN)を提案する。 マルチGCNに基づいて,抽出テキスト要約のための多重グラフ要約(Multi-GraS)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-29T16:11:01Z)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)
• Leveraging Graph to Improve Abstractive Multi-Document Summarization [50.62418656177642]
  我々は、文書のよく知られたグラフ表現を活用することができる、抽象的多文書要約(MDS)モデルを開発する。 本モデルでは,長い文書の要約に欠かせない文書間関係を捉えるために,文書の符号化にグラフを利用する。 また,このモデルでは,要約生成プロセスの導出にグラフを利用することが可能であり,一貫性と簡潔な要約を生成するのに有用である。
  論文  参考訳（メタデータ） (2020-05-20T13:39:47Z)
• Selective Attention Encoders by Syntactic Graph Convolutional Networks for Document Summarization [21.351111598564987]
  本稿では,文書中の文から解析木を接続するグラフを提案し,文書の構文表現を学習するために重ねられたグラフ畳み込みネットワーク(GCN)を利用する。 提案したGCNによる選択的アテンションアプローチは,ベースラインよりも優れ,データセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-03-18T01:30:02Z)

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。