Fugu-MT 論文翻訳(概要): Comparative Snippet Generation

論文の概要: Comparative Snippet Generation

arxiv url: http://arxiv.org/abs/2206.05473v1
Date: Sat, 11 Jun 2022 09:02:27 GMT
ステータス: 処理完了
システム内更新日: 2022-06-19 11:04:31.214134
Title: Comparative Snippet Generation
Title（参考訳）: 比較スニペット生成
Authors: Saurabh Jain, Yisong Miao, Min-Yen Kan
Abstract要約: 我々は、与えられた肯定的な意見と否定的な意見から、単文比較応答を生成する。このタスクの最初のデータセットと、事前訓練されたBERTモデルの性能解析を行い、そのようなスニペットを生成する。
参考スコア（独自算出の注目度）: 18.920306511866553
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We model product reviews to generate comparative responses consisting of positive and negative experiences regarding the product. Specifically, we generate a single-sentence, comparative response from a given positive and a negative opinion. We contribute the first dataset for this task of Comparative Snippet Generation from contrasting opinions regarding a product, and a performance analysis of a pre-trained BERT model to generate such snippets.
Abstract（参考訳）: 製品レビューをモデル化し、製品に関する肯定的および否定的な経験からなる比較応答を生成する。具体的には、与えられた肯定的意見と否定的意見から、単文的な比較応答を生成する。本稿では,製品に関する意見の対比から比較スニペット生成というタスクの最初のデータセットと,事前学習したBERTモデルの性能解析を行い,そのスニペットを生成する。

関連論文リスト

AMRFact: Enhancing Summarization Factuality Evaluation with AMR-Driven Negative Samples Generation [57.8363998797433]
抽象的意味表現(AMR)を用いた摂動要約を生成するフレームワークであるAMRFactを提案する。提案手法は,AMRグラフに一貫した要約を解析し,制御された事実不整合を注入して負の例を生成し,一貫性のない事実不整合要約を高い誤差型カバレッジで生成する。
論文参考訳（メタデータ） (2023-11-16T02:56:29Z)
Mitigating Pooling Bias in E-commerce Search via False Negative Estimation [25.40402675846542]
Bias-mitigating Hard Negative Smplingは、偽陰性の特定と調整に適した新しいネガティブサンプリング戦略である。検索実験により,BHNSがeコマースの実用化に有効であることが確認された。
論文参考訳（メタデータ） (2023-11-11T00:22:57Z)
Comparing Apples to Apples: Generating Aspect-Aware Comparative Sentences from User Reviews [6.428416845132992]
我々のパイプラインは、流動的で多様な比較文を生成する。人間の評価研究において,生成した文の妥当性と忠実性について実験を行った。
論文参考訳（メタデータ） (2023-07-05T23:19:18Z)
Generating Negative Samples for Sequential Recommendation [83.60655196391855]
逐次レコメンデーション(SR)のための負のサンプル(イテム)を生成することを提案する。アイテムに対する現在のSRモデルの学習されたユーザの好みに基づいて、各タイムステップで負の項目をサンプリングする。 4つの公開データセットの実験は、SRに高品質な負のサンプルを提供することの重要性を検証する。
論文参考訳（メタデータ） (2022-08-07T05:44:13Z)
Feature Extraction Framework based on Contrastive Learning with Adaptive Positive and Negative Samples [1.4467794332678539]
フレームワークは、教師なし、教師なし、および半教師なしの単一ビュー特徴抽出に適している。 CL-FEFAは、特徴抽出の結果から正および負のサンプルを適応的に構成する。 CL-FEFAは、ポテンシャル構造の類似したサンプルである正のサンプル間の相互情報を考慮し、特徴抽出の利点を理論的に支持する。
論文参考訳（メタデータ） (2022-01-11T13:34:03Z)
An Evaluation Study of Generative Adversarial Networks for Collaborative Filtering [75.83628561622287]
本研究は、原論文で発表された結果の再現に成功し、CFGANフレームワークと原評価で使用されるモデルとの相違が与える影響について論じる。この研究は、CFGANと単純でよく知られた適切に最適化されたベースラインの選択を比較した実験的な分析をさらに拡張し、CFGANは高い計算コストにもかかわらず、それらに対して一貫して競合していないことを観察した。
論文参考訳（メタデータ） (2022-01-05T20:53:27Z)
Doubly Contrastive Deep Clustering [135.7001508427597]
本稿では、サンプルビューとクラスビューの両方でコントラスト損失を構築する新しい二重コントラストディープクラスタリング(DCDC)フレームワークを紹介します。具体的には、サンプルビューに対して、元のサンプルとその拡張バージョンのクラス分布を正のサンプルペアとして設定する。クラスビューでは、クラスのサンプル分布から正のペアと負のペアを構築します。このように、2つのコントラスト損失は、サンプルとクラスレベルでのミニバッチサンプルのクラスタリング結果をうまく制限します。
論文参考訳（メタデータ） (2021-03-09T15:15:32Z)
Contrastive Learning with Adversarial Perturbations for Conditional Text Generation [49.055659008469284]
seq2seqモデルのコントラスト学習のための正負のサンプルを生成する原則的な方法を提案する。具体的には、入力シーケンスに小さな摂動を加えることで、条件付き可能性を最小限に抑えるネガティブな例を生成します。提案手法は,3つのテキスト生成タスクにおけるSeq2seqの一般化を著しく改善することを示す。
論文参考訳（メタデータ） (2020-12-14T06:20:27Z)
Adversarial learning for product recommendation [0.0]
本研究は, 共同分布(ビュー, 購入)行動からサンプルを生成することを学習する条件付き, 結合型生成対向ネットワーク(RecommenderGAN)を提案する。しかし,本モデルが提案する勧告は,消費者やデジタル小売業者に有効である可能性が示唆された。
論文参考訳（メタデータ） (2020-07-07T23:35:36Z)
Self-Adversarial Learning with Comparative Discrimination for Text Generation [111.18614166615968]
本稿では,テキスト生成におけるGANの性能向上のための,新たな自己逆学習(SAL)パラダイムを提案する。トレーニング中、SALは、現在生成された文が以前生成されたサンプルより優れていると判断されたときにジェネレータに報酬を与える。テキスト生成ベンチマークデータセットの実験により,提案手法は品質と多様性の両方を大幅に改善することが示された。
論文参考訳（メタデータ） (2020-01-31T07:50:25Z)

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。