Fugu-MT 論文翻訳(概要): GoSum: Extractive Summarization of Long Documents by Reinforcement Learning and Graph Organized discourse state

論文の概要: GoSum: Extractive Summarization of Long Documents by Reinforcement Learning and Graph Organized discourse state

arxiv url: http://arxiv.org/abs/2211.10247v1
Date: Fri, 18 Nov 2022 14:07:29 GMT
ステータス: 処理完了
システム内更新日: 2022-11-21 14:53:18.072973
Title: GoSum: Extractive Summarization of Long Documents by Reinforcement Learning and Graph Organized discourse state
Title（参考訳）: GoSum:強化学習とグラフ組織化された談話状態による長期文書の抽出要約
Authors: Junyi Bian, Xiaodi Huang, Hong Zhou, Shanfeng Zhu
Abstract要約: 長文要約のための強化学習に基づく抽出モデルであるGoSumを提案する。 GoSumは入力文書ごとに異なる談話レベルから異質なグラフを構築することで状態をエンコードする。論文要約の2つのデータセット,PubMed と arXiv のモデルを評価する。
参考スコア（独自算出の注目度）: 6.4805900740861
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Handling long texts with structural information and excluding redundancy between summary sentences are essential in extractive document summarization. In this work, we propose GoSum, a novel reinforcement-learning-based extractive model for long-paper summarization. GoSum encodes states by building a heterogeneous graph from different discourse levels for each input document. We evaluate the model on two datasets of scientific articles summarization: PubMed and arXiv where it outperforms all extractive summarization models and most of the strong abstractive baselines.
Abstract（参考訳）: 抽出文書要約には,長文を構造情報で扱い,要約文間の冗長性を排除することが不可欠である。本稿では,長文要約のための強化学習に基づく抽出モデルGoSumを提案する。 GoSumは入力文書ごとに異なる談話レベルから異種グラフを構築することで状態を符号化する。論文要約の2つのデータセット(PubMed と arXiv )でモデルを評価し,抽出的要約モデルと強力な抽象的ベースラインの大部分を上回ります。

関連論文リスト

From News to Summaries: Building a Hungarian Corpus for Extractive and Abstractive Summarization [0.19107347888374507]
HunSum-2は、抽象的および抽出的要約モデルのトレーニングに適したオープンソースのハンガリー語コーパスである。データセットは、徹底的なクリーニングを行うCommon Crawlコーパスのセグメントから組み立てられる。
論文参考訳（メタデータ） (2024-04-04T16:07:06Z)
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)
BASS: Boosting Abstractive Summarization with Unified Semantic Graph [49.48925904426591]
BASSは、統合されたセマンティックグラフに基づく抽象的な要約を促進するためのフレームワークである。文書表現と要約生成の両方を改善するために,グラフベースのエンコーダデコーダモデルを提案する。実験結果から,提案アーキテクチャは長期文書および複数文書要約タスクに大幅な改善をもたらすことが示された。
論文参考訳（メタデータ） (2021-05-25T16:20:48Z)
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)
On Generating Extended Summaries of Long Documents [16.149617108647707]
本稿では,長論文の拡張要約を生成する新しい手法を提案する。本手法は,文書の階層構造を利用して抽出要約モデルに組み込む。分析の結果,提案手法は,要約文に好適な抽出確率分布を調整できることが示唆された。
論文参考訳（メタデータ） (2020-12-28T08:10:28Z)
Topic-Guided Abstractive Text Summarization: a Joint Learning Approach [19.623946402970933]
本稿では,抽象テキスト要約のための新しいアプローチ,トピックガイドによる抽象要約を提案する。ニューラルネットワークをTransformerベースのシーケンス・ツー・シーケンス(seq2seq)モデルに結合学習フレームワークに組み込むことが目的だ。
論文参考訳（メタデータ） (2020-10-20T14:45:25Z)
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)
Leveraging Graph to Improve Abstractive Multi-Document Summarization [50.62418656177642]
我々は、文書のよく知られたグラフ表現を活用することができる、抽象的多文書要約(MDS)モデルを開発する。本モデルでは,長い文書の要約に欠かせない文書間関係を捉えるために,文書の符号化にグラフを利用する。また,このモデルでは,要約生成プロセスの導出にグラフを利用することが可能であり,一貫性と簡潔な要約を生成するのに有用である。
論文参考訳（メタデータ） (2020-05-20T13:39:47Z)
Screenplay Summarization Using Latent Narrative Structure [78.45316339164133]
本稿では,物語の基盤となる構造を一般教師なし・教師付き抽出要約モデルに明示的に組み込むことを提案する。重要な物語イベント(転回点)の観点で物語構造を定式化し、脚本を要約するために潜伏状態として扱う。シーンレベルの要約ラベルを付加したテレビ画面のCSIコーパスの実験結果から,潜角点がCSIエピソードの重要な側面と相関していることが判明した。
論文参考訳（メタデータ） (2020-04-27T11:54:19Z)
Heterogeneous Graph Neural Networks for Extractive Document Summarization [101.17980994606836]
クロス文関係は、抽出文書要約における重要なステップである。 We present a graph-based neural network for extractive summarization (HeterSumGraph) 抽出文書要約のためのグラフベースニューラルネットワークに異なる種類のノードを導入する。
論文参考訳（メタデータ） (2020-04-26T14:38:11Z)

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。