論文の概要: Contrastive Hierarchical Discourse Graph for Scientific Document
Summarization
- arxiv url: http://arxiv.org/abs/2306.00177v1
- Date: Wed, 31 May 2023 20:54:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 19:28:08.825740
- Title: Contrastive Hierarchical Discourse Graph for Scientific Document
Summarization
- Title(参考訳): 科学的文書要約のための対比階層的談話グラフ
- Authors: Haopeng Zhang, Xiao Liu, Jiawei Zhang
- Abstract要約: CHANGESは、抽出科学論文要約のための対照的な階層型グラフニューラルネットワークである。
また,グローバルなテーマ認識文表現を学習するためのグラフコントラスト学習モジュールを提案する。
- 参考スコア(独自算出の注目度): 14.930704950433324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The extended structural context has made scientific paper summarization a
challenging task. This paper proposes CHANGES, a contrastive hierarchical graph
neural network for extractive scientific paper summarization. CHANGES
represents a scientific paper with a hierarchical discourse graph and learns
effective sentence representations with dedicated designed hierarchical graph
information aggregation. We also propose a graph contrastive learning module to
learn global theme-aware sentence representations. Extensive experiments on the
PubMed and arXiv benchmark datasets prove the effectiveness of CHANGES and the
importance of capturing hierarchical structure information in modeling
scientific papers.
- Abstract(参考訳): 構造的文脈が拡張され、科学論文の要約は難しい課題となった。
本稿では,論文要約のためのコントラスト型階層型グラフニューラルネットワークCHANGESを提案する。
CHANGESは階層的な談話グラフを持つ科学論文を表現し、専用の階層的なグラフ情報アグリゲーションで効果的な文表現を学習する。
また,グローバルテーマ認識文表現を学習するためのグラフコントラスト学習モジュールを提案する。
PubMedおよびarXivベンチマークデータセットに関する大規模な実験は、CHANGESの有効性と、科学論文のモデリングにおける階層構造情報の取得の重要性を証明している。
関連論文リスト
- Enhancing Visually-Rich Document Understanding via Layout Structure
Modeling [91.07963806829237]
レイアウトの知識をモデルに注入する新しい文書理解モデルであるGraphLMを提案する。
我々は、FUNSD、XFUND、CORDなど様々なベンチマークでモデルを評価し、最先端の結果を得た。
論文 参考訳(メタデータ) (2023-08-15T13:53:52Z) - 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) - Multi-Document Scientific Summarization from a Knowledge Graph-Centric
View [9.579482432715261]
符号化処理と復号処理の両方において知識グラフを中心としたMDSSモデルであるKGSumを提案する。
具体的には、2つのグラフベースのモジュールが、知識グラフ情報を紙のエンコーディングに組み込むように提案されている。
復号処理では,まず要約の知識グラフ情報を記述文形式で生成し,次に最終要約を生成する2段復号器を提案する。
論文 参考訳(メタデータ) (2022-09-09T14:20:59Z) - An unsupervised cluster-level based method for learning node
representations of heterogeneous graphs in scientific papers [16.019656763017004]
本稿では、クラスタレベルの非教師付き科学論文ヘテロジニアスグラフノード表現学習法(UCHL)を提案する。
ヘテロジニアスグラフ表現に基づいて、不均一グラフ全体のリンク予測を行い、ノードのエッジ、すなわち論文と論文の関係を求める。
論文 参考訳(メタデータ) (2022-03-31T02:13:39Z) - 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) - 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) - SUGAR: Subgraph Neural Network with Reinforcement Pooling and
Self-Supervised Mutual Information Mechanism [33.135006052347194]
本稿では,グラフ分類のための階層型サブグラフレベル選択および埋め込み型グラフニューラルネットワーク,すなわちシュガーを提案する。
SUGARは、原グラフの代表的な部分として印象的なサブグラフを抽出し、サブグラフレベルのパターンを明らかにすることにより、スケッチグラフを再構築する。
グラフ間の部分グラフ表現を区別するために,自己教師付き相互情報機構を提案する。
論文 参考訳(メタデータ) (2021-01-20T15:06:16Z) - Hierarchical Graph Capsule Network [78.4325268572233]
ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。
階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
論文 参考訳(メタデータ) (2020-12-16T04:13:26Z)
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。