Fugu-MT 論文翻訳(概要): Sequence-Based Extractive Summarisation for Scientific Articles

論文の概要: Sequence-Based Extractive Summarisation for Scientific Articles

arxiv url: http://arxiv.org/abs/2204.03301v1
Date: Thu, 7 Apr 2022 09:09:33 GMT
ステータス: 処理完了
システム内更新日: 2022-04-09 02:50:46.264252
Title: Sequence-Based Extractive Summarisation for Scientific Articles
Title（参考訳）: 科学論文のシーケンスベース抽出要約
Authors: Daniel Kershaw and Rob Koeling
Abstract要約: 本稿では,学術論文における教師付き抽出テキスト要約の研究結果について述べる。文書内のテキストのみに基づく単純な逐次タグ付けモデルでは,単純な分類モデルに対して高い結果が得られることを示す。
参考スコア（独自算出の注目度）: 0.17404865362620794
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents the results of research on supervised extractive text summarisation for scientific articles. We show that a simple sequential tagging model based only on the text within a document achieves high results against a simple classification model. Improvements can be achieved through additional sentence-level features, though these were minimal. Through further analysis, we show the potential of the sequential model relying on the structure of the document depending on the academic discipline which the document is from.
Abstract（参考訳）: 本稿では,学術論文における教師付き抽出テキスト要約の研究結果について述べる。文書内のテキストのみに基づく単純な逐次タグ付けモデルは,単純な分類モデルに対して高い結果が得られることを示す。改善は文レベルの追加機能によって達成できるが、これらは最小限であった。さらなる分析を通じて,文書の構造に依存した逐次モデルの可能性を示す。

関連論文リスト

Prompting LLMs with content plans to enhance the summarization of scientific articles [0.19183348587701113]
我々は要約システムを導くためのプロンプト手法を考案し、実装し、評価する。記事から抽出したキーワードのリストを要約する。結果,特に分割を個別に要約する小さなモデルでは,性能が向上した。
論文参考訳（メタデータ） (2023-12-13T16:57:31Z)
MIReAD: Simple Method for Learning High-quality Representations from Scientific Documents [77.34726150561087]
論文の高品質な表現を学習する簡単な方法であるMIREADを提案する。私たちは、2000以上のジャーナルクラスで50万以上のPubMedとarXivの抽象クラスでMIREADをトレーニングします。
論文参考訳（メタデータ） (2023-05-07T03:29:55Z)
Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
論文参考訳（メタデータ） (2022-12-08T11:53:12Z)
ReSel: N-ary Relation Extraction from Scientific Text and Tables by Learning to Retrieve and Select [53.071352033539526]
学術論文からN-ary関係を抽出する問題について考察する。提案手法であるReSelは,このタスクを2段階のプロシージャに分解する。 3つの科学的情報抽出データセットに対する実験により、ReSelは最先端のベースラインを大きく上回っていることがわかった。
論文参考訳（メタデータ） (2022-10-26T02:28:02Z)
Multi-Vector Models with Textual Guidance for Fine-Grained Scientific Document Similarity [11.157086694203201]
本稿では, 微粒な面のマッチングに基づく新しい科学的文書類似性モデルを提案する。本モデルは,テキスト管理の新たな形態として,関連論文の側面を記述した共引用文脈を用いて学習する。
論文参考訳（メタデータ） (2021-11-16T11:12:30Z)
Document-Level Text Simplification: Dataset, Criteria and Baseline [75.58761130635824]
文書レベルのテキスト単純化の新しいタスクを定義し,検討する。 Wikipediaダンプに基づいて、我々はまずD-Wikipediaという大規模なデータセットを構築した。本稿では,文書レベルの単純化作業に適したD-SARIと呼ばれる新しい自動評価指標を提案する。
論文参考訳（メタデータ） (2021-10-11T08:15:31Z)
CitationIE: Leveraging the Citation Graph for Scientific Information Extraction [89.33938657493765]
引用論文と引用論文の参照リンクの引用グラフを使用する。最先端技術に対するエンド・ツー・エンドの情報抽出の大幅な改善を観察する。
論文参考訳（メタデータ） (2021-06-03T03:00:12Z)
Enhancing Scientific Papers Summarization with Citation Graph [78.65955304229863]
引用グラフを用いて科学論文の要約作業を再定義します。我々は,141kの研究論文を異なる領域に格納した,新しい科学論文要約データセットセマンティックスタディネットワーク(ssn)を構築した。我々のモデルは、事前訓練されたモデルと比較して競争性能を達成することができる。
論文参考訳（メタデータ） (2021-04-07T11:13:35Z)
Enhancing Extractive Text Summarization with Topic-Aware Graph Neural Networks [21.379555672973975]
本稿では,グラフニューラルネットワーク(GNN)に基づく抽出要約モデルを提案する。本モデルでは,文章選択のための文書レベルの特徴を提供する潜在トピックを発見するために,共同ニューラルトピックモデル(NTM)を統合している。実験結果から,CNN/DMおよびNYTデータセットにおいて,本モデルがほぼ最先端の結果が得られることが示された。
論文参考訳（メタデータ） (2020-10-13T09:30:04Z)
Discourse-Aware Unsupervised Summarization of Long Scientific Documents [13.405733237855404]
長い学術文書の抽出要約のための教師なしグラフに基づくランキングモデルを提案する。提案手法は,情報源文書の2段階階層グラフ表現を仮定し,非対称な位置推定手法を用いて文の重要度を決定する。 PubMed と arXiv のデータセットの結果から,我々の手法は,自動測定と人的評価において,幅広いマージンで強い教師なしベースラインを上回ります。
論文参考訳（メタデータ） (2020-05-01T17:31:11Z)
StructSum: Summarization via Structured Representations [27.890477913486787]
抽象テキスト要約は、長い資料の情報を要約した要約に圧縮することを目的としている。モデリング技術の進歩にもかかわらず、抽象的な要約モデルは依然としていくつかの重要な課題に悩まされている。本稿では,これらの課題に対処するための要約のための文書レベルの構造誘導に基づくフレームワークを提案する。
論文参考訳（メタデータ） (2020-03-01T20:32:51Z)

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。