Fugu-MT 論文翻訳(概要): Named Entity Inclusion in Abstractive Text Summarization

論文の概要: Named Entity Inclusion in Abstractive Text Summarization

arxiv url: http://arxiv.org/abs/2307.02570v1
Date: Wed, 5 Jul 2023 18:12:31 GMT
ステータス: 処理完了
システム内更新日: 2023-07-07 16:21:43.905127
Title: Named Entity Inclusion in Abstractive Text Summarization
Title（参考訳）: 抽象テキスト要約における名前付きエンティティ包含
Authors: Sergey Berezin, Tatiana Batura
Abstract要約: テキスト中の名前付きエンティティに対するモデルの注意を高めるために、カスタム事前学習の目的を提案する。実験の結果、この事前学習手法は、名前付きエンティティ包含精度とリコールメトリックを改善した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We address the named entity omission - the drawback of many current abstractive text summarizers. We suggest a custom pretraining objective to enhance the model's attention on the named entities in a text. At first, the named entity recognition model RoBERTa is trained to determine named entities in the text. After that, this model is used to mask named entities in the text and the BART model is trained to reconstruct them. Next, the BART model is fine-tuned on the summarization task. Our experiments showed that this pretraining approach improves named entity inclusion precision and recall metrics.
Abstract（参考訳）: 名前付きエンティティの省略 - 現在の多くの抽象的なテキスト要約の欠点に対処します。テキスト中の名前付きエンティティに対するモデルの注意を高めるために、カスタム事前学習目標を提案する。まず、名前付きエンティティ認識モデルRoBERTaをトレーニングし、テキスト内の名前付きエンティティを決定する。その後、このモデルはテキスト内の名前付きエンティティをマスクするために使用され、BARTモデルはそれらを再構築するために訓練される。次に、BARTモデルを要約タスクに微調整する。実験の結果、この事前学習手法は、名前付きエンティティ包含精度とリコールメトリックを改善した。

関連論文リスト

Retrieval-Enhanced Named Entity Recognition [1.2187048691454239]
RENERは、In-Context Learningと情報検索技術に基づく自己回帰言語モデルを用いたエンティティ認識手法である。実験の結果,CrossNERコレクションでは,提案手法を用いて最先端の性能を実現することができた。
論文参考訳（メタデータ） (2024-10-17T01:12:48Z)
DyVo: Dynamic Vocabularies for Learned Sparse Retrieval with Entities [29.716152560414738]
学習されたスパース検索(LSR)モデルをウィキペディアの概念と実体で拡張する。 3つのエンティティリッチなドキュメントランキングデータセットを対象とした実験では、結果のDyVoモデルは、最先端のベースラインを大幅に上回る。
論文参考訳（メタデータ） (2024-10-10T08:41:34Z)
Multicultural Name Recognition For Previously Unseen Names [65.268245109828]
本論文は、人名の認識を改善することを目的としており、それは、誰かが生まれたり、名前を変えたりする際にも、成長できる多様なカテゴリーである。私は103か国の名前を見て、モデルが異なる文化の名前でどれだけうまく機能するかを比較します。文字入力と単語入力を組み合わせたモデルの方が単語のみのモデルより優れており,従来のNERモデルと比較して精度が向上する可能性がある。
論文参考訳（メタデータ） (2024-01-23T17:58:38Z)
Shatter and Gather: Learning Referring Image Segmentation with Text Supervision [52.46081425504072]
入力画像中の意味的エンティティを検出し,テキストクエリに関連するエンティティを組み合わせて参照者のマスクを予測するモデルを提案する。提案手法は,イメージセグメンテーションを参照するための4つの公開ベンチマークで評価され,既存のタスクと最近の全てのベンチマークにおけるオープン語彙セグメンテーションモデルよりも明らかに優れていた。
論文参考訳（メタデータ） (2023-08-29T15:39:15Z)
Disambiguation of Company names via Deep Recurrent Networks [101.90357454833845]
企業名文字列の埋め込みである教師付き学習を通じて,Siamese LSTM Network を抽出する手法を提案する。私たちは、ラベル付けされるサンプルを優先するActive Learningアプローチが、より効率的な全体的な学習パイプラインをもたらす方法を分析します。
論文参考訳（メタデータ） (2023-03-07T15:07:57Z)
Focus! Relevant and Sufficient Context Selection for News Image Captioning [69.36678144800936]
News Image Captioningは、ニュース記事から追加のコンテキストを活用することで、画像を記述する必要がある。本稿では,事前学習された視覚・言語検索モデルであるCLIPを用いて,ニュース記事中の視覚的根拠を持つエンティティをローカライズすることを提案する。我々の実験は、記事からより良いコンテキストを選択するだけで、既存のモデルの性能を大幅に改善できることを示した。
論文参考訳（メタデータ） (2022-12-01T20:00:27Z)
WCL-BBCD: A Contrastive Learning and Knowledge Graph Approach to Named Entity Recognition [15.446770390648874]
WCL-BBCD (Word Contrastive Learning with BERT-BiLSTM-CRF-DBpedia)を提案する。モデルはまずテキスト中の文ペアを訓練し、コサイン類似性により文ペア内の単語間の類似度を計算し、その類似性を通じて名前付きエンティティ認識タスクに使用されるBERTモデルを微調整する。最後に、単語短縮による認識を緩和するため、認識結果を知識グラフなどの事前知識と組み合わせて補正する。
論文参考訳（メタデータ） (2022-03-14T08:29:58Z)
LUKE: Deep Contextualized Entity Representations with Entity-aware Self-attention [37.111204321059084]
両方向変換器に基づく単語と実体の事前学習した文脈表現を提案する。我々のモデルは、BERTのマスキング言語モデルに基づく新しい事前訓練タスクを用いて訓練される。また,変換器の自己認識機構の拡張である自己認識機構を提案する。
論文参考訳（メタデータ） (2020-10-02T15:38:03Z)
Empower Entity Set Expansion via Language Model Probing [58.78909391545238]
既存の拡張方法は、コンテキスト特徴を適応的に選択し、新しいエンティティを抽出することで、シードエンティティをブートストラップする。エンティティセット拡張の鍵となる課題は、クラスセマンティクスをシフトし、後のイテレーションで累積エラーにつながる曖昧なコンテキスト機能を選択することを避けることである。セマンティックドリフト問題に対処するために、自動生成されたクラス名を活用する新しい反復的集合拡張フレームワークを提案する。
論文参考訳（メタデータ） (2020-04-29T00:09:43Z)
Zero-Resource Cross-Domain Named Entity Recognition [68.83177074227598]
既存のドメイン名付きエンティティ認識モデルは、多くのラベルなしコーパスや、ターゲットドメイン内のラベル付きNERトレーニングデータに依存している。外部リソースを一切使用しないドメイン間NERモデルを提案する。
論文参考訳（メタデータ） (2020-02-14T09:04:18Z)

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。