論文の概要: Controllable Abstractive Dialogue Summarization with Sketch Supervision
- arxiv url: http://arxiv.org/abs/2105.14064v1
- Date: Fri, 28 May 2021 19:05:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-01 17:50:30.258656
- Title: Controllable Abstractive Dialogue Summarization with Sketch Supervision
- Title（参考訳）: スケッチ監督による制御可能な抽象対話要約
- Authors: Chien-Sheng Wu and Linqing Liu and Wenhao Liu and Pontus Stenetorp and
Caiming Xiong
- Abstract要約: 本モデルは,最大50.79のROUGE-Lスコアを持つ最大対話要約コーパスSAMSumの最先端性能を実現する。
- 参考スコア（独自算出の注目度）: 56.59357883827276
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we aim to improve abstractive dialogue summarization quality
and, at the same time, enable granularity control. Our model has two primary
components and stages: 1) a two-stage generation strategy that generates a
preliminary summary sketch serving as the basis for the final summary. This
summary sketch provides a weakly supervised signal in the form of
pseudo-labeled interrogative pronoun categories and key phrases extracted using
a constituency parser. 2) A simple strategy to control the granularity of the
final summary, in that our model can automatically determine or control the
number of generated summary sentences for a given dialogue by predicting and
highlighting different text spans from the source text. Our model achieves
state-of-the-art performance on the largest dialogue summarization corpus
SAMSum, with as high as 50.79 in ROUGE-L score. In addition, we conduct a case
study and show competitive human evaluation results and controllability to
human-annotated summaries.
- Abstract（参考訳）: 本稿では,抽象対話の要約品質の向上と,粒度制御の実現を目的としている。
モデルには2つの主要要素と段階がある: 1) 最終要約の基礎となる予備要約スケッチを生成する2段階生成戦略。
この要約スケッチは、疑似ラベル付き疑問代名詞カテゴリと、選挙区パーサを用いて抽出されたキーフレーズの形式で弱教師付き信号を提供する。
2)最終要約の粒度を制御するための簡単な戦略として,本モデルでは,原文から異なるテキストを予測・ハイライトすることで,与えられた対話文の要約文数を自動決定・制御することができる。
本モデルは,最大50.79のROUGE-Lスコアを持つ最大対話要約コーパスSAMSumの最先端性能を実現する。
また,本研究の事例として,人間による評価結果と,注釈付き要約に対する制御性を示す。
関連論文リスト
- A Modular Approach for Multimodal Summarization of TV Shows [55.20132267309382]
分離されたコンポーネントが特別なサブタスクを実行するモジュール方式を提案する。
我々のモジュールは、シーン境界の検出、異なるイベント間のカット回数の最小化、視覚情報をテキストに変換すること、各シーンの対話を要約すること、シーン要約をエピソード全体の最終要約に融合することを含む。
我々はまた、生成した要約の精度とリコールを計測し、原子事実に分解する新しい測度であるPRISMAを提示する。
論文 参考訳（メタデータ） (2024-03-06T16:10:01Z) - SummIt: Iterative Text Summarization via ChatGPT [12.966825834765814]
本稿では,ChatGPTのような大規模言語モデルに基づく反復的なテキスト要約フレームワークSummItを提案する。
我々のフレームワークは、自己評価とフィードバックによって生成された要約を反復的に洗練することを可能にする。
また, 繰り返し改良の有効性を検証し, 過補正の潜在的な問題を特定するために, 人間の評価を行う。
論文 参考訳（メタデータ） (2023-05-24T07:40:06Z) - DIONYSUS: A Pre-trained Model for Low-Resource Dialogue Summarization [127.714919036388]
DIONYSUSは、任意の新しいドメインでの対話を要約するための訓練済みエンコーダデコーダモデルである。
実験の結果,DIONYSUSは6つのデータセット上で既存の手法よりも優れていた。
論文 参考訳（メタデータ） (2022-12-20T06:21:21Z) - Enhancing Semantic Understanding with Self-supervised Methods for
Abstractive Dialogue Summarization [4.226093500082746]
本稿では,対話要約モデルを訓練するための欠点を補う自己教師型手法を提案する。
我々の原理は,対話文表現の文脈化能力を高めるために,前文対話文を用いて不整合情報の流れを検出することである。
論文 参考訳（メタデータ） (2022-09-01T07:51:46Z) - SNaC: Coherence Error Detection for Narrative Summarization [73.48220043216087]
SNaCは長文の微粒化アノテーションに根ざした物語コヒーレンス評価フレームワークである。
本稿では,生成した物語要約におけるコヒーレンスエラーの分類法を開発し,150冊の本や映画の脚本要約にまたがる6.6k文のスパンレベルアノテーションを収集する。
我々の研究は、最先端の要約モデルによって生成されるコヒーレンスエラーの最初の特徴と、群衆アノテータからコヒーレンス判断を引き出すためのプロトコルを提供する。
論文 参考訳（メタデータ） (2022-05-19T16:01:47Z) - Summarize, Outline, and Elaborate: Long-Text Generation via Hierarchical
Supervision from Extractive Summaries [46.183289748907804]
長文生成のためのアウトライン化,アウトライン化,エラボレートを行うパイプラインシステムSOEを提案する。
SOEは、より高速な収束速度とともに、非常に優れた品質の長いテキストを生成する。
論文 参考訳（メタデータ） (2020-10-14T13:22:20Z) - Multi-View Sequence-to-Sequence Models with Conversational Structure for
Abstractive Dialogue Summarization [72.54873655114844]
テキスト要約は、NLPにおいて最も困難で興味深い問題の1つである。
本研究では、まず、異なる視点から構造化されていない日々のチャットの会話構造を抽出し、会話を表現するマルチビューシーケンス・ツー・シーケンスモデルを提案する。
大規模対話要約コーパスの実験により,本手法は,自動評価と人的判断の両面から,従来の最先端モデルよりも有意に優れた性能を示した。
論文 参考訳（メタデータ） (2020-10-04T20:12:44Z) - Unsupervised Abstractive Dialogue Summarization for Tete-a-Tetes [49.901984490961624]
テテ-ア-テト(SuTaT)のための非教師なし抽象的対話要約モデルを提案する。
SuTaTは条件付き生成モジュールと2つの教師なし要約モジュールからなる。
実験の結果,SuTaTは自動評価と人的評価の両方において教師なし対話要約よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-09-15T03:27:52Z)
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。