Fugu-MT 論文翻訳(概要): Summary Explorer: Visualizing the State of the Art in Text Summarization

論文の概要: Summary Explorer: Visualizing the State of the Art in Text Summarization

arxiv url: http://arxiv.org/abs/2108.01879v1
Date: Wed, 4 Aug 2021 07:11:19 GMT
ステータス: 処理完了
システム内更新日: 2021-08-05 20:24:58.215113
Title: Summary Explorer: Visualizing the State of the Art in Text Summarization
Title（参考訳）: 要約エクスプローラ:テキスト要約における芸術の状態を可視化する
Authors: Shahbaz Syed, Tariq Yousef, Khalid Al-Khatib, Stefan J\"anicke, Martin Potthast
Abstract要約: 本稿では,テキスト要約システムの手動検査を支援する新しいツールであるSlide Explorerを紹介する。ツールの基本設計は、カスタマイズされた視覚化に基づくガイド付きアセスメントでカプセル化された、よく知られた3つの要約品質基準(カバレッジ、忠実さ、位置バイアス)を考慮する。
参考スコア（独自算出の注目度）: 23.45323725326221
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper introduces Summary Explorer, a new tool to support the manual inspection of text summarization systems by compiling the outputs of 55~state-of-the-art single document summarization approaches on three benchmark datasets, and visually exploring them during a qualitative assessment. The underlying design of the tool considers three well-known summary quality criteria (coverage, faithfulness, and position bias), encapsulated in a guided assessment based on tailored visualizations. The tool complements existing approaches for locally debugging summarization models and improves upon them. The tool is available at https://tldr.webis.de/
Abstract（参考訳）: 本稿では,3つのベンチマークデータセットに対して,55-最先端の単一文書要約手法の出力をコンパイルし,定性評価中にそれらを視覚的に探索することにより,テキスト要約システムの手動検査を支援する新しいツールであるSlide Explorerを紹介する。ツールの基本設計は3つのよく知られた要約品質基準(カバレッジ、忠実度、位置バイアス)を、カスタマイズされた視覚化に基づいたガイド付きアセスメントにカプセル化したものである。このツールは、ローカルに要約モデルをデバッグするための既存のアプローチを補完し、改善する。このツールはhttps://tldr.webis.de/で入手できる。

関連論文リスト

RTSUM: Relation Triple-based Interpretable Summarization with Multi-level Salience Visualization [12.890135367392524]
本稿では、関係三重項を要約の基本単位として利用する教師なし要約フレームワークRTSUMを提案する。また,解釈可能な要約ツールのWebデモも開発した。
論文参考訳（メタデータ） (2023-10-21T02:46:03Z)
Summary Workbench: Unifying Application and Evaluation of Text Summarization Models [24.40171915438056]
新しいモデルと評価基準は、Dockerベースのプラグインとして簡単に統合できる。複数の測度を組み合わせた視覚分析は、モデルの強みと弱みに関する洞察を与える。
論文参考訳（メタデータ） (2022-10-18T04:47:25Z)
CNewSum: A Large-scale Chinese News Summarization Dataset with Human-annotated Adequacy and Deducibility Level [15.969302324314516]
大規模中国語ニュース要約データセットCNewSumについて述べる。 304,307件の文書と人によるニュースフィードの要約で構成されている。そのテストセットには、要約のための妥当性と再現性アノテーションが含まれている。
論文参考訳（メタデータ） (2021-10-21T03:37:46Z)
iFacetSum: Coreference-based Interactive Faceted Summarization for Multi-Document Exploration [63.272359227081836]
iFacetSumは、インタラクティブな要約と顔検索を統合している。微粒なファセットは、クロスドキュメントのコア参照パイプラインに基づいて自動的に生成される。
論文参考訳（メタデータ） (2021-09-23T20:01:11Z)
Aspect-Controllable Opinion Summarization [58.5308638148329]
アスペクトクエリに基づいてカスタマイズした要約を生成する手法を提案する。レビューコーパスを用いて、アスペクトコントローラで強化された(リビュー、サマリ)ペアの合成トレーニングデータセットを作成する。合成データセットを用いて事前学習したモデルを微調整し、アスペクトコントローラを変更することでアスペクト固有の要約を生成する。
論文参考訳（メタデータ） (2021-09-07T16:09:17Z)
SummVis: Interactive Visual Analysis of Models, Data, and Evaluation for Text Summarization [14.787106201073154]
SummVisは抽象要約を視覚化するためのオープンソースツールです。テキスト要約に関連するモデル、データ、評価メトリクスの詳細な分析を可能にする。
論文参考訳（メタデータ） (2021-04-15T17:13:00Z)
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)
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)
Summarizing Text on Any Aspects: A Knowledge-Informed Weakly-Supervised Approach [89.56158561087209]
文書に関連する任意の側面を要約する。監視データがないため、我々は新しい弱い監督構築法とアスペクト・モデリング・スキームを開発した。実験により,本手法は実文書と合成文書の両方を要約することで,性能の向上を図っている。
論文参考訳（メタデータ） (2020-10-14T03:20:46Z)
Summary-Source Proposition-level Alignment: Task, Datasets and Supervised Baseline [94.0601799665342]
資料の参照要約における文のアライメントは,補助的な要約作業として有用であった。本稿では,2つの重要な新機能を導入しながら,要約ソースアライメントを明示的なタスクとして確立することを提案する。我々は提案レベルのアライメントのための新しいトレーニングデータセットを作成し、利用可能な要約評価データから自動的に抽出する。教師なしアプローチよりも優れたアライメント品質を示す教師付き命題アライメントベースラインモデルを提案する。
論文参考訳（メタデータ） (2020-09-01T17:27:12Z)
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。