Fugu-MT 論文翻訳(概要): A New Sentence Extraction Strategy for Unsupervised Extractive Summarization Methods

論文の概要: A New Sentence Extraction Strategy for Unsupervised Extractive Summarization Methods

arxiv url: http://arxiv.org/abs/2112.03203v5
Date: Wed, 24 Jan 2024 13:47:03 GMT
ステータス: 処理完了
システム内更新日: 2024-01-25 18:30:18.960266
Title: A New Sentence Extraction Strategy for Unsupervised Extractive Summarization Methods
Title（参考訳）: 教師なし抽出要約法のための新しい文抽出戦略
Authors: Dehao Tao, Yingzhu Xiong, Zhongliang Yang, and Yongfeng Huang
Abstract要約: 本稿では,情報理論の観点から,抽出テキスト要約手法の課題をモデル化する。特徴分布の改善と要約文の相互情報の低減を目的として,新たな文抽出手法を提案する。
参考スコア（独自算出の注目度）: 26.326800624948344
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, text summarization methods have attracted much attention again thanks to the researches on neural network models. Most of the current text summarization methods based on neural network models are supervised methods which need large-scale datasets. However, large-scale datasets are difficult to obtain in practical applications. In this paper, we model the task of extractive text summarization methods from the perspective of Information Theory, and then describe the unsupervised extractive methods with a uniform framework. To improve the feature distribution and to decrease the mutual information of summarization sentences, we propose a new sentence extraction strategy which can be applied to existing unsupervised extractive methods. Experiments are carried out on different datasets, and results show that our strategy is indeed effective and in line with expectations.
Abstract（参考訳）: 近年,ニューラルネットワークモデルの研究により,テキスト要約手法が再び注目を集めている。ニューラルネットワークモデルに基づく現在のテキスト要約手法のほとんどは、大規模データセットを必要とする教師付き手法である。しかし,大規模データセットの実用化は困難である。本稿では,情報理論の観点から抽出テキスト要約手法の課題をモデル化し,統一的な枠組みで教師なし抽出手法を記述する。特徴分布の改善と要約文の相互情報の低減を目的として,既存の教師なし抽出手法に適用可能な文抽出戦略を提案する。異なるデータセットで実験を行い、その結果、我々の戦略は本当に効果的であり、期待と一致していることがわかった。

関連論文リスト

Model-Free Active Exploration in Reinforcement Learning [53.786439742572995]
強化学習における探索問題について検討し,新しいモデルフリーソリューションを提案する。我々の戦略は、最先端の探査アプローチよりも高速に効率的な政策を特定できる。
論文参考訳（メタデータ） (2024-06-30T19:00:49Z)
Building blocks for complex tasks: Robust generative event extraction for radiology reports under domain shifts [11.845850292404768]
マルチパスT5ベースのテキスト・テキスト生成モデルでは、BERTベースのタスク固有分類層を用いた手法と比較して、試験モード間の一般化が優れていることを示す。そこで我々は, 大規模コーパス処理を臨床応用に利用しやすくするため, モデルの推論コストを低減させる手法を開発した。
論文参考訳（メタデータ） (2023-06-15T23:16:58Z)
Recent Trends in Unsupervised Summarization [1.6244541005112743]
教師なしの要約は、ラベル付きデータセットを必要とせずにモデルを要約する訓練を可能にする強力なテクニックである。このサーベイは、教師なし要約に使用される様々な手法とモデルをカバーしている。
論文参考訳（メタデータ） (2023-05-18T18:00:44Z)
Boosting Event Extraction with Denoised Structure-to-Text Augmentation [52.21703002404442]
イベント抽出は、テキストから事前に定義されたイベントトリガと引数を認識することを目的としている。最近のデータ拡張手法は文法的誤りの問題を無視することが多い。本稿では,イベント抽出DAEEのための記述構造からテキストへの拡張フレームワークを提案する。
論文参考訳（メタデータ） (2023-05-16T16:52:07Z)
Towards Abstractive Timeline Summarisation using Preference-based Reinforcement Learning [3.6640004265358477]
本稿では,複数のニュースソースから報告されるイベントの時系列を要約する新しいパイプラインを提案する。抽象的な要約のためのトランスフォーマーに基づくモデルは、長い文書のコヒーレントで簡潔な要約を生成する。抽出要約は情報源に忠実であるが、読みにくく、余分な情報や不要な情報を含んでいる可能性がある。
論文参考訳（メタデータ） (2022-11-14T18:24:13Z)
Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文参考訳（メタデータ） (2021-10-09T09:02:45Z)
The Summary Loop: Learning to Write Abstractive Summaries Without Examples [21.85348918324668]
本研究は,与えられた長さ制約に対するカバレッジとフラエンシの組み合わせを最大化することに基づく,教師なし抽象的要約に対する新しいアプローチを提案する。主要な用語は元のドキュメントから隠蔽され、現在の生成された要約を使ってカバレッジモデルで満たされなければならない。一般的なニュース要約データセットでテストすると、従来の教師なし手法よりも2R-1ポイント以上性能が向上する。
論文参考訳（メタデータ） (2021-05-11T23:19:46Z)
CDEvalSumm: An Empirical Study of Cross-Dataset Evaluation for Neural Summarization Systems [121.78477833009671]
データセット間設定下での様々な要約モデルの性能について検討する。異なるドメインの5つのデータセットに対する11の代表的な要約システムに関する包括的な研究は、モデルアーキテクチャと生成方法の影響を明らかにしている。
論文参考訳（メタデータ） (2020-10-11T02:19:15Z)
Multi-Fact Correction in Abstractive Text Summarization [98.27031108197944]
Span-Factは、質問応答モデルから学んだ知識を活用して、スパン選択によるシステム生成サマリーの補正を行う2つの事実補正モデルのスイートである。我々のモデルは、ソースコードのセマンティック一貫性を確保するために、反復的または自動回帰的にエンティティを置き換えるために、シングルまたはマルチマスキング戦略を採用している。実験の結果,自動測定と人的評価の両面において,要約品質を犠牲にすることなく,システム生成要約の事実整合性を大幅に向上させることができた。
論文参考訳（メタデータ） (2020-10-06T02:51:02Z)
SummPip: Unsupervised Multi-Document Summarization with Sentence Graph Compression [61.97200991151141]
SummPipはマルチドキュメント要約のための教師なしの手法である。元の文書を文グラフに変換し、言語表現と深層表現の両方を考慮に入れます。次に、スペクトルクラスタリングを適用して複数の文のクラスタを取得し、最後に各クラスタを圧縮して最終的な要約を生成する。
論文参考訳（メタデータ） (2020-07-17T13:01:15Z)
Improving unsupervised neural aspect extraction for online discussions using out-of-domain classification [11.746330029375745]
本稿では,ニュースグループに基づくコンテンツから学んだ話題的側面を改善するために,文フィルタリングに基づく簡単なアプローチを提案する。文フィルタリングがトピックコヒーレンスに与える影響を,未フィルタリングテキスト上で訓練されたアスペクト抽出モデルと比較した。
論文参考訳（メタデータ） (2020-06-17T10:34:16Z)

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。