論文の概要: Named Entity Recognition Based Automatic Generation of Research Highlights

• arxiv url: http://arxiv.org/abs/2303.12795v1
• Date: Sat, 25 Feb 2023 16:33:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-25 02:51:22.361039
• Title: Named Entity Recognition Based Automatic Generation of Research Highlights
• Title（参考訳）: 名前付きエンティティ認識に基づく研究ハイライトの自動生成
• Authors: Tohida Rehman, Debarshi Kumar Sanyal, Prasenjit Majumder, Samiran Chattopadhyay
• Abstract要約: 我々は,研究論文の異なるセクションを入力として,研究ハイライトを自動的に生成することを目指している。 入力に名前付きエンティティ認識を用いることで、生成したハイライトの品質が向上するかどうかを検討する。
• 参考スコア（独自算出の注目度）: 3.9410617513331863
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A scientific paper is traditionally prefaced by an abstract that summarizes the paper. Recently, research highlights that focus on the main findings of the paper have emerged as a complementary summary in addition to an abstract. However, highlights are not yet as common as abstracts, and are absent in many papers. In this paper, we aim to automatically generate research highlights using different sections of a research paper as input. We investigate whether the use of named entity recognition on the input improves the quality of the generated highlights. In particular, we have used two deep learning-based models: the first is a pointer-generator network, and the second augments the first model with coverage mechanism. We then augment each of the above models with named entity recognition features. The proposed method can be used to produce highlights for papers with missing highlights. Our experiments show that adding named entity information improves the performance of the deep learning-based summarizers in terms of ROUGE, METEOR and BERTScore measures.
• Abstract（参考訳）: 科学論文は伝統的に、論文を要約した要約によって序文で表される。 近年,論文の主な発見に焦点をあてた研究が,要約に加えて補完的な要約として現れている。 しかし、ハイライトは抽象論ほど一般的ではなく、多くの論文で欠落している。 本稿では,研究論文の異なるセクションを入力として,研究ハイライトを自動的に生成することを目的とする。 入力に名前付きエンティティ認識を用いることで、生成したハイライトの品質が向上するかどうかを検討する。 特に,2つの深層学習モデルを用いた。第1はポインタジェネレータネットワークであり,第2はカバレッジ機構を備えた第1モデルの強化である。 次に、各モデルを名前付きエンティティ認識機能で拡張する。 提案手法は,ハイライトを欠いた論文のハイライト作成に利用することができる。 実験の結果,名前付きエンティティ情報を追加することで,ROUGE, METEOR, BERTScoreによる深層学習に基づく要約器の性能が向上することがわかった。

関連論文リスト

• RelevAI-Reviewer: A Benchmark on AI Reviewers for Survey Paper Relevance [0.8089605035945486]
  本稿では,調査論文レビューの課題を分類問題として概念化するシステムであるRelevAI-Reviewerを提案する。 25,164のインスタンスからなる新しいデータセットを導入する。各インスタンスには1つのプロンプトと4つの候補論文があり、それぞれがプロンプトに関連している。 我々は,各論文の関連性を判断し,最も関連性の高い論文を識別できる機械学習(ML)モデルを開発した。
  論文  参考訳（メタデータ） (2024-06-13T06:42:32Z)
• Target-aware Abstractive Related Work Generation with Contrastive Learning [48.02845973891943]
  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。
  論文  参考訳（メタデータ） (2022-05-26T13:20:51Z)
• Embedding Knowledge for Document Summarization: A Survey [66.76415502727802]
  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。
  論文  参考訳（メタデータ） (2022-04-24T04:36:07Z)
• Neural Content Extraction for Poster Generation of Scientific Papers [84.30128728027375]
  科学論文のポスター生成の問題は未解明である。 これまでの研究は主にポスターレイアウトとパネル構成に重点を置いていたが、コンテンツ抽出の重要性は無視された。 ポスターパネルのテキスト要素と視覚要素の両方を得るために,紙セクションのテキスト,図形,テーブルを同時に抽出するニューラル抽出モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-16T01:19:37Z)
• Enhancing Identification of Structure Function of Academic Articles Using Contextual Information [6.28532577139029]
  本稿では,学術論文の構造的機能を明らかにするためのコーパスとして,ACLカンファレンスの記事を取り上げる。 従来の機械学習モデルとディープラーニングモデルを用いて、様々な特徴入力に基づいて分類器を構築する。 2) に触発された本論文は,ディープラーニングモデルに文脈情報を導入し,重要な結果を得た。
  論文  参考訳（メタデータ） (2021-11-28T11:21:21Z)
• Enhancing Keyphrase Extraction from Academic Articles with their Reference Information [12.769066804715697]
  文書情報を高度に要約するキーワードは、ユーザが文書を素早く入手し、理解するのに役立ちます。 参照のタイトル情報は、著者が指定したキーフレーズも含んでいる。 実験により、参照情報は自動キーフレーズ抽出の精度、リコール、F1を高めることができる。
  論文  参考訳（メタデータ） (2021-11-28T11:14:16Z)
• Paperswithtopic: Topic Identification from Paper Title Only [5.025654873456756]
  人工知能(AI)分野からタイトルとサブフィールドで組み合わせた論文のデータセットを提示する。 また、論文タイトルのみから、論文のAIサブフィールドを予測する方法についても提示する。 変圧器モデルに対しては、モデルの分類過程をさらに説明するために、勾配に基づく注意可視化も提示する。
  論文  参考訳（メタデータ） (2021-10-09T06:32:09Z)
• CitationIE: Leveraging the Citation Graph for Scientific Information Extraction [89.33938657493765]
  引用論文と引用論文の参照リンクの引用グラフを使用する。 最先端技術に対するエンド・ツー・エンドの情報抽出の大幅な改善を観察する。
  論文  参考訳（メタデータ） (2021-06-03T03:00:12Z)
• 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)
• 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)
• Two Huge Title and Keyword Generation Corpora of Research Articles [0.0]
  本稿では,テキスト要約(OAGSX)とキーワード生成(OAGKX)の2つの巨大なデータセットを紹介する。 データは、研究プロファイルと出版物のネットワークであるOpen Academic Graphから取得された。 より具体的な分野から研究論文のサブセットを導出するために、この2つの集合にトピックモデリングを適用したい。
  論文  参考訳（メタデータ） (2020-02-11T21:17:29Z)

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。