論文の概要: Salience Allocation as Guidance for Abstractive Summarization
- arxiv url: http://arxiv.org/abs/2210.12330v1
- Date: Sat, 22 Oct 2022 02:13:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 12:51:44.587363
- Title: Salience Allocation as Guidance for Abstractive Summarization
- Title（参考訳）: 抽象的な要約のためのガイダンスとしてのサリエンスアロケーション
- Authors: Fei Wang, Kaiqiang Song, Hongming Zhang, Lifeng Jin, Sangwoo Cho,
Wenlin Yao, Xiaoyang Wang, Muhao Chen, Dong Yu
- Abstract要約: 本稿では, サリエンセ・サリエンス・ガイダンス(SEASON, SaliencE Allocation as Guidance for Abstractive SummarizatiON)を用いた新しい要約手法を提案する。
SEASONは、サリエンス予測の割り当てを利用して抽象的な要約を導き、異なる抽象性のある記事に順応する。
- 参考スコア（独自算出の注目度）: 61.31826412150143
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Abstractive summarization models typically learn to capture the salient
information from scratch implicitly. Recent literature adds extractive
summaries as guidance for abstractive summarization models to provide hints of
salient content and achieves better performance. However, extractive summaries
as guidance could be over strict, leading to information loss or noisy signals.
Furthermore, it cannot easily adapt to documents with various abstractiveness.
As the number and allocation of salience content pieces vary, it is hard to
find a fixed threshold deciding which content should be included in the
guidance. In this paper, we propose a novel summarization approach with a
flexible and reliable salience guidance, namely SEASON (SaliencE Allocation as
Guidance for Abstractive SummarizatiON). SEASON utilizes the allocation of
salience expectation to guide abstractive summarization and adapts well to
articles in different abstractiveness. Automatic and human evaluations on two
benchmark datasets show that the proposed method is effective and reliable.
Empirical results on more than one million news articles demonstrate a natural
fifteen-fifty salience split for news article sentences, providing a useful
insight for composing news articles.
- Abstract（参考訳）: 抽象要約モデルは通常、暗黙的にスクラッチからサルエント情報をキャプチャすることを学ぶ。
最近の文献では、抽象要約モデルのガイダンスとして抽出要約を追加して、突出したコンテンツのヒントを提供し、より良いパフォーマンスを達成する。
しかし、ガイダンスとして抽出された要約は厳密すぎる可能性があり、情報損失やノイズ信号に繋がる。
さらに、様々な抽象性のある文書に容易に適応できない。
サリエンスコンテンツの個数と割り当てが変化するため、ガイダンスにどのコンテンツを含めるべきかを決定する固定しきい値を見つけることは困難である。
本稿では,セソン(SaliencE Allocation as Guidance for Abstractive Summarization)という,柔軟で信頼性の高いサリエンスガイダンスを用いた新しい要約手法を提案する。
SEASONは、サリエンス予測の割り当てを利用して抽象的な要約を導き、異なる抽象性のある記事に順応する。
2つのベンチマークデータセットの自動評価と人的評価は,提案手法が有効で信頼性が高いことを示す。
100万以上のニュース記事に対する実証的な結果は、ニュース記事の文に対して自然に15分の1のサリエンスを分けたことを示している。
関連論文リスト
- Towards Enhancing Coherence in Extractive Summarization: Dataset and Experiments with LLMs [70.15262704746378]
我々は,5つの公開データセットと自然言語ユーザフィードバックのためのコヒーレントな要約からなる,体系的に作成された人間アノテーションデータセットを提案する。
Falcon-40BとLlama-2-13Bによる予備的な実験では、コヒーレントなサマリーを生成するという点で大幅な性能向上(10%ルージュ-L)が見られた。
論文 参考訳（メタデータ） (2024-07-05T20:25:04Z) - OpineSum: Entailment-based self-training for abstractive opinion
summarization [6.584115526134759]
本稿では,抽象的な意見要約のための新しい自己学習手法,OpineSumを提案する。
このアプローチの要約は、テキスト・エンターメントの新たな応用を用いて構築されている。
OpineSumは、両方の設定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） (2022-12-21T06:20:28Z) - A Survey on Neural Abstractive Summarization Methods and Factual
Consistency of Summarization [18.763290930749235]
要約は、サブセット(要約)を作成するために、テキストデータの集合を計算的に短縮する過程である
既存の要約法は、抽出法と抽象法という2つのタイプに大別できる。
抽出要約器は、ソース文書からテキストスニペットを明示的に選択し、抽象要約器は、ソースで広く普及している最も健全な概念を伝えるために、新しいテキストスニペットを生成する。
論文 参考訳（メタデータ） (2022-04-20T14:56:36Z) - Subjective Bias in Abstractive Summarization [11.675414451656568]
主観的バイアスと同じ内容を要約する複数の表現の相違を定式化し、抽象的要約の文脈におけるこのバイアスの役割について検討する。
スタイルクラスタ化されたデータセットに基づいてトレーニングされた要約モデルの結果は、より収束性、抽象化、一般化につながるある種のスタイルが存在することを示している。
論文 参考訳（メタデータ） (2021-06-18T12:17:55Z) - EASE: Extractive-Abstractive Summarization with Explanations [18.046254486733186]
情報ボトルネック原理に基づく説明可能な要約システムを提案する。
人間が長い文書をまとめるために2段階の枠組みを使用するという以前の研究に触発されて、私たちのフレームワークは最初に説明として事前に定義された証拠の量を抽出します。
生成した要約の質を著しく犠牲にすることなく、我々のフレームワークからの説明は単純なベースラインよりも適切であることを示す。
論文 参考訳（メタデータ） (2021-05-14T17:45:06Z) - Constrained Abstractive Summarization: Preserving Factual Consistency
with Constrained Generation [93.87095877617968]
本稿では,抽象要約の現実的一貫性を保ちつつ,制約付き抽象要約(CAS)を提案する。
我々は、CASを満たすために、一般的に自己回帰生成モデルに適用される語彙制約付き復号法を採用する。
対話的要約において1つの手動制約のみを使用する場合、最大13.8ROUGE-2ゲインを観測する。
論文 参考訳（メタデータ） (2020-10-24T00:27:44Z) - Better Highlighting: Creating Sub-Sentence Summary Highlights [40.46639471959677]
本稿では,混乱を避けるために,自己完結型ハイライトを生成する新しい手法を提案する。
提案手法は, 決定点過程と文脈表現を組み合わせ, 部分文セグメントの最適集合を同定する。
本手法の柔軟性とモデリング能力を示すため,要約データセットに関する広範な実験を行った。
論文 参考訳（メタデータ） (2020-10-20T18:57:42Z) - GSum: A General Framework for Guided Neural Abstractive Summarization [102.29593069542976]
本稿では,様々な外部ガイダンスを入力として効果的に活用できる汎用的かつガイド付き要約フレームワーク(GSum)を提案する。
実験により、このモデルが有効であることが示され、ROUGEによれば、4つの一般的な要約データセット上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） (2020-10-15T20:46:14Z) - Few-Shot Learning for Opinion Summarization [117.70510762845338]
オピニオン要約は、複数の文書で表現された主観的な情報を反映したテキストの自動生成である。
本研究では,要約テキストの生成をブートストラップするのには,少数の要約でも十分であることを示す。
提案手法は, 従来の抽出法および抽象法を, 自動的, 人的評価において大きく上回っている。
論文 参考訳（メタデータ） (2020-04-30T15:37:38Z) - Unsupervised Opinion Summarization with Noising and Denoising [85.49169453434554]
ユーザレビューのコーパスから合成データセットを作成し、レビューをサンプリングし、要約のふりをして、ノイズのあるバージョンを生成します。
テスト時に、モデルは本物のレビューを受け入れ、健全な意見を含む要約を生成し、合意に達しないものをノイズとして扱います。
論文 参考訳（メタデータ） (2020-04-21T16:54:57Z)
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。