論文の概要: Embedding Knowledge for Document Summarization: A Survey
- arxiv url: http://arxiv.org/abs/2204.11190v1
- Date: Sun, 24 Apr 2022 04:36:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-27 03:25:17.818691
- Title: Embedding Knowledge for Document Summarization: A Survey
- Title(参考訳): 文書要約のための知識の埋め込み:調査
- Authors: Yutong Qu, Wei Emma Zhang, Jian Yang, Lingfei Wu, Jia Wu and Xindong
Wu
- Abstract要約: 従来の研究は、知識を組み込んだ文書要約器が優れた消化器を生成するのに優れていたことを証明した。
本稿では,文書要約ビューに基づいて,知識と知識の埋め込みを再カプセル化する手法を提案する。
- 参考スコア(独自算出の注目度): 66.76415502727802
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge-aware methods have boosted a range of Natural Language Processing
applications over the last decades. With the gathered momentum, knowledge
recently has been pumped into enormous attention in document summarization
research. Previous works proved that knowledge-embedded document summarizers
excel at generating superior digests, especially in terms of informativeness,
coherence, and fact consistency. This paper pursues to present the first
systematic survey for the state-of-the-art methodologies that embed knowledge
into document summarizers. Particularly, we propose novel taxonomies to
recapitulate knowledge and knowledge embeddings under the document
summarization view. We further explore how embeddings are generated in learning
architectures of document summarization models, especially in deep learning
models. At last, we discuss the challenges of this topic and future directions.
- Abstract(参考訳): ナレッジアウェアの手法は、過去数十年間、様々な自然言語処理アプリケーションを強化してきた。
勢いの高まりとともに、近年は文書要約研究において知識が大きな注目を集めている。
従来の研究は、知識を組み込んだ文書要約器が優れた消化力、特に情報性、一貫性、事実整合性を生み出すのに優れていたことを証明した。
本稿では,知識を文書要約に組み込む最先端方法論について,初めて体系的な調査を行う。
特に,文書要約の視点で知識と知識の埋め込みを再結合する新しい分類法を提案する。
さらに、文書要約モデルの学習アーキテクチャ、特にディープラーニングモデルにおいて、埋め込みがどのように生成されるかを考察する。
最後に、このトピックの課題と今後の方向性について論じる。
関連論文リスト
- From References to Insights: Collaborative Knowledge Minigraph Agents for Automating Scholarly Literature Review [22.80918934436901]
本稿では,学術文献レビューの自動化を目的とした,共同知識ミニグラフエージェント(CKMA)を提案する。
新たなプロンプトベースのアルゴリズムである知識ミニグラフ構築エージェント(KMCA)は、学術文献から情報片間の関係を識別するように設計されている。
構築された知識ミニグラフにおける大規模言語モデルの能力を活用することにより、多経路要約エージェント(MPSA)は、異なる視点から情報や関係を効率的に整理し、文献レビュー段落を生成する。
論文 参考訳(メタデータ) (2024-11-09T12:06:40Z) - Knowledge-augmented Deep Learning and Its Applications: A Survey [60.221292040710885]
知識強化ディープラーニング(KADL)は、ドメイン知識を特定し、それをデータ効率、一般化可能、解釈可能なディープラーニングのためのディープモデルに統合することを目的としている。
本調査は,既存の研究成果を補足し,知識強化深層学習の一般分野における鳥眼研究の展望を提供する。
論文 参考訳(メタデータ) (2022-11-30T03:44:15Z) - KALM: Knowledge-Aware Integration of Local, Document, and Global
Contexts for Long Document Understanding [27.4842322089676]
KALMは、ローカル、文書レベル、グローバルコンテキストにおける知識を共同で活用する知識認識言語モデルである。
6つの長い文書理解タスクとデータセット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) (2022-10-08T20:51:02Z) - Knowledge-Aware Bayesian Deep Topic Model [50.58975785318575]
本稿では,事前知識を階層型トピックモデリングに組み込むベイズ生成モデルを提案する。
提案モデルでは,事前知識を効率的に統合し,階層的なトピック発見と文書表現の両面を改善する。
論文 参考訳(メタデータ) (2022-09-20T09:16:05Z) - A Survey of Deep Learning Approaches for OCR and Document Understanding [68.65995739708525]
我々は、英語で書かれた文書の文書理解のための様々な手法をレビューする。
文献に現れる方法論を集約し,この領域を探索する研究者の跳躍点として機能させる。
論文 参考訳(メタデータ) (2020-11-27T03:05:59Z) - Multi-document Summarization via Deep Learning Techniques: A Survey [29.431160110691607]
ニューラルネットワークの設計戦略を要約する新しい分類法を提案する。
既存の文献ではめったに議論されない様々な目的関数の違いを強調した。
論文 参考訳(メタデータ) (2020-11-10T00:35:46Z) - 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) - Neural Topic Modeling with Continual Lifelong Learning [19.969393484927252]
ニューラルトピックモデリングのための生涯学習フレームワークを提案する。
ドキュメントコレクションのストリームを処理し、トピックを蓄積し、将来のトピックモデリングタスクをガイドすることができる。
パープレキシティ、トピックコヒーレンス、情報検索タスクによって定量化された性能向上を示す。
論文 参考訳(メタデータ) (2020-06-19T00:43:23Z) - From Standard Summarization to New Tasks and Beyond: Summarization with
Manifold Information [77.89755281215079]
テキスト要約は、原文書の短く凝縮した版を作成することを目的とした研究分野である。
現実世界のアプリケーションでは、ほとんどのデータは平易なテキスト形式ではない。
本稿では,現実のアプリケーションにおけるこれらの新しい要約タスクとアプローチについて調査する。
論文 参考訳(メタデータ) (2020-05-10T14:59:36Z)
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。