論文の概要: Neural Abstractive Unsupervised Summarization of Online News Discussions

• arxiv url: http://arxiv.org/abs/2106.03953v1
• Date: Mon, 7 Jun 2021 20:33:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-09 16:19:10.467513
• Title: Neural Abstractive Unsupervised Summarization of Online News Discussions
• Title（参考訳）: ニューラル抽象化によるオンラインニュース討論の要約
• Authors: Ignacio Tampe Palma, Marcelo Mendoza, and Evangelos Milios
• Abstract要約: 本稿では,オンラインニュース討論の要約を抽象的に生成する新しい手法を提案する。 本モデルは,生成した要約とスレッド上の各コメントのROUGEスコアを用いて評価する。
• 参考スコア（独自算出の注目度）: 1.2617078020344619
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Summarization has usually relied on gold standard summaries to train extractive or abstractive models. Social media brings a hurdle to summarization techniques since it requires addressing a multi-document multi-author approach. We address this challenging task by introducing a novel method that generates abstractive summaries of online news discussions. Our method extends a BERT-based architecture, including an attention encoding that fed comments' likes during the training stage. To train our model, we define a task which consists of reconstructing high impact comments based on popularity (likes). Accordingly, our model learns to summarize online discussions based on their most relevant comments. Our novel approach provides a summary that represents the most relevant aspects of a news item that users comment on, incorporating the social context as a source of information to summarize texts in online social networks. Our model is evaluated using ROUGE scores between the generated summary and each comment on the thread. Our model, including the social attention encoding, significantly outperforms both extractive and abstractive summarization methods based on such evaluation.
• Abstract（参考訳）: 要約は通常、抽出または抽象的なモデルを訓練するために金の標準要約に依存している。 ソーシャルメディアは、マルチドキュメントのマルチ著者アプローチに対処する必要があるため、要約テクニックにハードルをもたらす。 本稿では,オンラインニュース討論の要約を抽象的に生成する新しい手法を導入することで,この問題に対処する。 本手法はBERTをベースとしたアーキテクチャを拡張し,トレーニング期間中にコメントの好意を伝達するアテンションエンコーディングを含む。 モデルをトレーニングするために、人気(like)に基づいた高いインパクトのコメントを再構築するタスクを定義します。 そこで本モデルは,最も関連性の高いコメントに基づいて,オンラインディスカッションを要約する。 我々の新しいアプローチは、ユーザーがコメントするニュース記事の最も関連性の高い側面を表す要約を提供し、オンラインソーシャルネットワークでテキストを要約するための情報のソースとしてソーシャルコンテキストを取り入れている。 本モデルは,生成した要約とスレッド上の各コメントのROUGEスコアを用いて評価する。 本手法は, 社会的注意エンコーディングを含むモデルにおいて, 抽出的および抽象的要約法を有意に上回っている。

関連論文リスト

• Factually Consistent Summarization via Reinforcement Learning with Textual Entailment Feedback [57.816210168909286]
  我々は,この問題を抽象的な要約システムで解くために,テキストエンテーメントモデルの最近の進歩を活用している。 我々は、事実整合性を最適化するために、レファレンスフリーのテキストエンターメント報酬を用いた強化学習を用いる。 自動測定と人的評価の両結果から,提案手法は生成した要約の忠実さ,サリエンス,簡潔さを著しく向上させることが示された。
  論文  参考訳（メタデータ） (2023-05-31T21:04:04Z)
• OpineSum: Entailment-based self-training for abstractive opinion summarization [6.584115526134759]
  本稿では,抽象的な意見要約のための新しい自己学習手法,OpineSumを提案する。 このアプローチの要約は、テキスト・エンターメントの新たな応用を用いて構築されている。 OpineSumは、両方の設定で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-12-21T06:20:28Z)
• NEWTS: A Corpus for News Topic-Focused Summarization [9.872518517174498]
  本稿では,CNN/Dailymailデータセットに基づく最初の話題要約コーパスを提案する。 提案手法の有効性を検証し,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2022-05-31T10:01:38Z)
• EmailSum: Abstractive Email Thread Summarization [105.46012304024312]
  我々は,メールスレッド要約(EmailSum)データセットを抽象化的に開発する。 このデータセットには、人間による注釈付きショート(30ワード)と、2549のメールスレッドからなるロング(100ワード)のサマリーが含まれている。 本研究は,現在の抽象的要約モデルの課題を明らかにするものである。
  論文  参考訳（メタデータ） (2021-07-30T15:13:14Z)
• ConvoSumm: Conversation Summarization Benchmark and Improved Abstractive Summarization with Argument Mining [61.82562838486632]
  我々は、さまざまなオンライン会話形式のニュースコメント、ディスカッションフォーラム、コミュニティ質問応答フォーラム、電子メールスレッドに関する4つの新しいデータセットをクラウドソースする。 我々は、データセットの最先端モデルをベンチマークし、データに関連する特徴を分析します。
  論文  参考訳（メタデータ） (2021-06-01T22:17:13Z)
• Bengali Abstractive News Summarization(BANS): A Neural Attention Approach [0.8793721044482612]
  本稿では,エンコーダ・デコーダに着目したSeq2seqベースのLong Short-Term Memory(LSTM)ネットワークモデルを提案する。 提案システムでは,単語の長い列を人文や人文で生成する,局所的な注意に基づくモデルを構築している。 また,Bangla.bdnews24.com1から収集した19k以上の記事とそれに対応する人文要約のデータセットも作成した。
  論文  参考訳（メタデータ） (2020-12-03T08:17:31Z)
• 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)
• Abstractive Summarization of Spoken and Written Instructions with BERT [66.14755043607776]
  本稿では,BERTSumモデルの最初の対話型言語への応用について述べる。 我々は多種多様な話題にまたがるナレーションビデオの抽象要約を生成する。 我々は、これをインテリジェントな仮想アシスタントの機能として統合し、要求に応じて文字と音声の両方の指導内容の要約を可能にすることを想定する。
  論文  参考訳（メタデータ） (2020-08-21T20:59:34Z)
• 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)
• Unsupervised Opinion Summarization with Noising and Denoising [85.49169453434554]
  ユーザレビューのコーパスから合成データセットを作成し、レビューをサンプリングし、要約のふりをして、ノイズのあるバージョンを生成します。 テスト時に、モデルは本物のレビューを受け入れ、健全な意見を含む要約を生成し、合意に達しないものをノイズとして扱います。
  論文  参考訳（メタデータ） (2020-04-21T16:54:57Z)

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。