論文の概要: Extractive and Abstractive Sentence Labelling of Sentiment-bearing Topics

• arxiv url: http://arxiv.org/abs/2108.12822v1
• Date: Sun, 29 Aug 2021 11:08:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-31 14:48:58.797763
• Title: Extractive and Abstractive Sentence Labelling of Sentiment-bearing Topics
• Title（参考訳）: 感性を有するトピックの抽出・抽象文ラベリング
• Authors: Mohamad Hardyman Barawi, Chenghua Lin, Advaith Siddharthan, Yinbin Liu
• Abstract要約: 本稿では,感傷的話題を自動的に記述文ラベルでラベル付けする問題に対処する。 この問題に対して,抽出法と抽象法という2つのアプローチを提案する。 抽象的手法は感情を含むトピックに含まれる豊富な情報を効果的に合成することができると結論付けている。
• 参考スコア（独自算出の注目度）: 5.014332673843021
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper tackles the problem of automatically labelling sentiment-bearing topics with descriptive sentence labels. We propose two approaches to the problem, one extractive and the other abstractive. Both approaches rely on a novel mechanism to automatically learn the relevance of each sentence in a corpus to sentiment-bearing topics extracted from that corpus. The extractive approach uses a sentence ranking algorithm for label selection which for the first time jointly optimises topic--sentence relevance as well as aspect--sentiment co-coverage. The abstractive approach instead addresses aspect--sentiment co-coverage by using sentence fusion to generate a sentential label that includes relevant content from multiple sentences. To our knowledge, we are the first to study the problem of labelling sentiment-bearing topics. Our experimental results on three real-world datasets show that both the extractive and abstractive approaches outperform four strong baselines in terms of facilitating topic understanding and interpretation. In addition, when comparing extractive and abstractive labels, our evaluation shows that our best performing abstractive method is able to provide more topic information coverage in fewer words, at the cost of generating less grammatical labels than the extractive method. We conclude that abstractive methods can effectively synthesise the rich information contained in sentiment-bearing topics.
• Abstract（参考訳）: 本稿では,感情を有する話題を記述文ラベルで自動ラベリングする問題に取り組む。 この問題に対して,抽出法と抽象法という2つのアプローチを提案する。 どちらのアプローチも、そのコーパスから抽出された感情を持つトピックに対するコーパスの各文の関連性を自動的に学習する新しいメカニズムに依存している。 抽出手法はラベル選択に文ランキングアルゴリズムを用いており、このアルゴリズムは初めて話題の関連性やアスペクト感の共被覆を最適化する。 抽象的アプローチは、複数の文から関連するコンテンツを含むセンテンシャルラベルを生成するために、文融合を用いてアスペクト強調共被覆に対処する。 私たちの知識では、感情を持つトピックをラベル付けする問題を最初に研究しました。 実世界の3つのデータセットに対する実験結果から,抽出的アプローチと抽象的アプローチの両者が,トピック理解と解釈を容易にするという点で,4つの強いベースラインを上回ります。 また,抽出ラベルと抽象ラベルを比較する場合,提案手法は,抽出ラベルよりも少ない文法ラベルを生成するコストで,より少ない単語でより多くの話題情報をカバーできることを示す。 要約的手法は感情を有する話題に含まれるリッチな情報を効果的に合成できると結論づける。

関連論文リスト

• 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)
• Textual Entailment Recognition with Semantic Features from Empirical Text Representation [60.31047947815282]
  テキストが仮説を包含するのは、仮説の真の価値がテキストに従う場合に限る。 本稿では,テキストと仮説のテキストの包含関係を同定する新しい手法を提案する。 本手法では,テキスト・ハイブリッド・ペア間の意味的含意関係を識別できる要素ワイド・マンハッタン距離ベクトルベースの特徴を用いる。
  論文  参考訳（メタデータ） (2022-10-18T10:03:51Z)
• A General Contextualized Rewriting Framework for Text Summarization [15.311467109946571]
  抽出文は比較的焦点が当てられているが、背景知識や談話の文脈が失われる可能性がある。 コンテントベースのアドレッシングによって抽出文を識別し、グループタグアライメントを施したSeq2seqとしてコンテクスト化された書き直しを形式化する。 その結果,本手法は強化学習を必要とせず,非コンテクスチュアライズされた書き換えシステムよりも優れていた。
  論文  参考訳（メタデータ） (2022-07-13T03:55:57Z)
• A Survey on Neural Abstractive Summarization Methods and Factual Consistency of Summarization [18.763290930749235]
  要約は、サブセット(要約)を作成するために、テキストデータの集合を計算的に短縮する過程である 既存の要約法は、抽出法と抽象法という2つのタイプに大別できる。 抽出要約器は、ソース文書からテキストスニペットを明示的に選択し、抽象要約器は、ソースで広く普及している最も健全な概念を伝えるために、新しいテキストスニペットを生成する。
  論文  参考訳（メタデータ） (2022-04-20T14:56:36Z)
• Better Highlighting: Creating Sub-Sentence Summary Highlights [40.46639471959677]
  本稿では,混乱を避けるために,自己完結型ハイライトを生成する新しい手法を提案する。 提案手法は, 決定点過程と文脈表現を組み合わせ, 部分文セグメントの最適集合を同定する。 本手法の柔軟性とモデリング能力を示すため,要約データセットに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2020-10-20T18:57:42Z)
• Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
  アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。 次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
  論文  参考訳（メタデータ） (2020-10-13T21:33:24Z)
• Understanding Points of Correspondence between Sentences for Abstractive Summarization [39.7404761923196]
  本稿では,文書から引き出された文の融合について,対応点の概念を導入して検討する。 我々は、文書、ソースおよび融合文、および文間の対応点の人間のアノテーションを含むデータセットを作成する。
  論文  参考訳（メタデータ） (2020-06-10T02:42:38Z)
• TRIE: End-to-End Text Reading and Information Extraction for Document Understanding [56.1416883796342]
  本稿では,統合されたエンドツーエンドのテキスト読解と情報抽出ネットワークを提案する。 テキスト読解のマルチモーダル視覚的特徴とテキスト的特徴は、情報抽出のために融合される。 提案手法は, 精度と効率の両面において, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-05-27T01:47:26Z)
• Segmenting Scientific Abstracts into Discourse Categories: A Deep Learning-Based Approach for Sparse Labeled Data [8.635930195821265]
  我々は、PubMedから構造化された抽象概念に基づいて深層ニューラルネットワークをトレーニングし、それを手書きのコンピュータサイエンス論文の小さなコーパスで微調整する。 本手法は,データが疎結合である抽象文の自動セグメンテーションにおいて,有望な解であると考えられる。
  論文  参考訳（メタデータ） (2020-05-11T20:21:25Z)
• Extractive Summarization as Text Matching [123.09816729675838]
  本稿では,ニューラル抽出要約システムの構築方法に関するパラダイムシフトを作成する。 抽出した要約タスクを意味テキストマッチング問題として定式化する。 我々はCNN/DailyMailの最先端抽出結果を新しいレベル(ROUGE-1の44.41)に推し進めた。
  論文  参考訳（メタデータ） (2020-04-19T08:27:57Z)
• At Which Level Should We Extract? An Empirical Analysis on Extractive Document Summarization [110.54963847339775]
  本研究は,全文を抽出する際,不必要な問題や冗長性が存在することを示す。 選挙区解析木に基づくサブセグメント単位の抽出を提案する。
  論文  参考訳（メタデータ） (2020-04-06T13:35:10Z)

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。