論文の概要: Target-aware Abstractive Related Work Generation with Contrastive Learning

• arxiv url: http://arxiv.org/abs/2205.13339v1
• Date: Thu, 26 May 2022 13:20:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-27 22:41:02.205928
• Title: Target-aware Abstractive Related Work Generation with Contrastive Learning
• Title（参考訳）: コントラスト学習による目標認識型抽象的関連作業生成
• Authors: Xiuying Chen, Hind Alamro, Mingzhe Li, Shen Gao, Rui Yan, Xin Gao, Xiangliang Zhang
• Abstract要約: 関連作業部は学術論文の重要な構成要素であり、参考論文の文脈における対象論文の貢献を強調している。 既存の作業部生成手法の多くは、既成の文章を抽出することに依存している。 本稿では,新たな文からなる関連作業区間を生成できる抽象的目標認識関連作業生成装置(TAG)を提案する。
• 参考スコア（独自算出の注目度）: 48.02845973891943
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The related work section is an important component of a scientific paper, which highlights the contribution of the target paper in the context of the reference papers. Authors can save their time and effort by using the automatically generated related work section as a draft to complete the final related work. Most of the existing related work section generation methods rely on extracting off-the-shelf sentences to make a comparative discussion about the target work and the reference papers. However, such sentences need to be written in advance and are hard to obtain in practice. Hence, in this paper, we propose an abstractive target-aware related work generator (TAG), which can generate related work sections consisting of new sentences. Concretely, we first propose a target-aware graph encoder, which models the relationships between reference papers and the target paper with target-centered attention mechanisms. In the decoding process, we propose a hierarchical decoder that attends to the nodes of different levels in the graph with keyphrases as semantic indicators. Finally, to generate a more informative related work, we propose multi-level contrastive optimization objectives, which aim to maximize the mutual information between the generated related work with the references and minimize that with non-references. Extensive experiments on two public scholar datasets show that the proposed model brings substantial improvements over several strong baselines in terms of automatic and tailored human evaluations.
• Abstract（参考訳）: 関連作業部は学術論文の重要な構成要素であり、参考論文の文脈における対象論文の貢献を強調している。 著者は、自動生成された関連する作業セクションをドラフトとして使用して、最終的な関連作業を完成させることで、時間と労力を節約できる。 既存の作業部生成手法の多くは、対象の作業と参照論文の比較議論を行うために、既成の文章を抽出することに依存している。 しかし、このような文章は事前に書く必要があり、実際に入手することは困難である。 そこで本稿では,新たな文からなる関連作業区間を生成可能な抽象的目標認識関連作業生成器(TAG)を提案する。 具体的には、まず、参照紙と対象紙の関係をターゲット中心の注意機構でモデル化するターゲット対応グラフエンコーダを提案する。 復号化過程において,キーフレーズを意味指標として,グラフ内の異なるレベルのノードに付随する階層的デコーダを提案する。 最後に、より情報的な関連作業を生成するために、生成した関連作業と参照との相互情報を最大化し、非参照で最小化するマルチレベルコントラスト最適化目標を提案する。 2つの公開研究者データセットに関する広範囲な実験により、提案モデルが、自動評価と調整された人間評価の観点で、いくつかの強力なベースラインに対して相当な改善をもたらすことが示された。

関連論文リスト

• Explaining Relationships Among Research Papers [14.223038413516685]
  本稿では,よりリッチな引用テキストを生成するための機能ベースのLLMプロンプト手法を提案する。 人間の好みと統合的書き方の間には強い相関関係がみられ,高いレベルの抽象的引用を好むことが示唆された。
  論文  参考訳（メタデータ） (2024-02-20T23:38:39Z)
• Leveraging Contextual Information for Effective Entity Salience Detection [21.30389576465761]
  クロスエンコーダアーキテクチャを用いた中規模言語モデルの微調整により,機能工学的アプローチよりも優れた性能が得られることを示す。 また、命令調整言語モデルのゼロショットプロンプトは、タスクの特異性と複雑さを示す劣った結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-09-14T19:04:40Z)
• Unsupervised Task Graph Generation from Instructional Video Transcripts [53.54435048879365]
  本研究では,実世界の活動を行う指導ビデオのテキスト書き起こしを提供する環境について考察する。 目標は、これらの重要なステップ間の依存関係関係と同様に、タスクに関連する重要なステップを特定することです。 本稿では,命令調整言語モデルの推論能力とクラスタリングとランキングコンポーネントを組み合わせたタスクグラフ生成手法を提案する。
  論文  参考訳（メタデータ） (2023-02-17T22:50:08Z)
• CORWA: A Citation-Oriented Related Work Annotation Dataset [4.740962650068886]
  自然言語処理では、通常「関連作業」という節で文献レビューが行われる。 我々はCORWAラベルを自動的にタグ付けする強力なベースラインモデルをトレーニングする。 そこで本研究では,ヒューマン・イン・ザ・ループ,反復的,抽象的関連作業生成のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-07T00:23:46Z)
• Revise and Resubmit: An Intertextual Model of Text-based Collaboration in Peer Review [52.359007622096684]
  ピアレビューは、ほとんどの科学分野における出版プロセスの重要な要素である。 既存のNLP研究は個々のテキストの分析に重点を置いている。 編集補助は、しばしばテキストのペア間の相互作用をモデル化する必要がある。
  論文  参考訳（メタデータ） (2022-04-22T16:39:38Z)
• Author Clustering and Topic Estimation for Short Texts [69.54017251622211]
  同じ文書中の単語間の強い依存をモデル化することにより、遅延ディリクレ割当を拡張できる新しいモデルを提案する。 同時にユーザをクラスタ化し、ホック後のクラスタ推定の必要性を排除しています。 我々の手法は、短文で生じる問題に対する従来のアプローチよりも、-または----------- で機能する。
  論文  参考訳（メタデータ） (2021-06-15T20:55:55Z)
• Generating Related Work [37.161925758727456]
  論文引用の動機を否定しながら,関連する作業セクションの生成をモデル化する。 我々のモデルは、いくつかの強力な最先端の要約モデルとマルチドキュメントの要約モデルより優れている。
  論文  参考訳（メタデータ） (2021-04-18T00:19:37Z)
• Sequential Cross-Document Coreference Resolution [14.099694053823765]
  クロスドキュメントのコリファレンス解決は、マルチドキュメント分析タスクへの関心が高まる上で重要である。 コアファレンス分解能の効率的なシーケンシャル予測パラダイムを文書間設定に拡張する新しいモデルを提案する。 私たちのモデルは、参照をクラスタ表現にインクリメンタルに合成し、参照とすでに構築されたクラスタ間のリンクを予測する。
  論文  参考訳（メタデータ） (2021-04-17T00:46:57Z)
• What's New? Summarizing Contributions in Scientific Literature [85.95906677964815]
  本稿では,論文のコントリビューションと作業状況について,個別の要約を生成するために,論文要約のアンタングル化という新たなタスクを導入する。 本稿では,学術論文のS2ORCコーパスを拡張し,コントリビューション・コントリビューション・コントリビューション・レファレンス・ラベルを付加する。 本稿では, 生成した出力の関連性, 新規性, 絡み合いを報告する総合的自動評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2020-11-06T02:23:01Z)
• Explaining Relationships Between Scientific Documents [55.23390424044378]
  本稿では,2つの学術文書間の関係を自然言語テキストを用いて記述する課題に対処する。 本稿では154K文書から622Kサンプルのデータセットを作成する。
  論文  参考訳（メタデータ） (2020-02-02T03:54:47Z)

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。