論文の概要: Background Summarization of Event Timelines

• arxiv url: http://arxiv.org/abs/2310.16197v1
• Date: Tue, 24 Oct 2023 21:30:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-26 17:58:49.934927
• Title: Background Summarization of Event Timelines
• Title（参考訳）: イベントタイムラインの背景要約
• Authors: Adithya Pratapa, Kevin Small, Markus Dreyer
• Abstract要約: 本稿では、各時系列更新と関連するイベントの背景要約を補完するバックグラウンドニュース要約のタスクを紹介する。 我々は,既存の時系列データセットをマージしてデータセットを構築し,各ニュースイベント毎の背景要約を書くよう人間アノテータに依頼する。 我々は、最先端の要約システムを用いて強力なベースライン性能を確立し、背景要約を生成するためのクエリ中心の変種を提案する。
• 参考スコア（独自算出の注目度）: 13.264991569806572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating concise summaries of news events is a challenging natural language processing task. While journalists often curate timelines to highlight key sub-events, newcomers to a news event face challenges in catching up on its historical context. In this paper, we address this need by introducing the task of background news summarization, which complements each timeline update with a background summary of relevant preceding events. We construct a dataset by merging existing timeline datasets and asking human annotators to write a background summary for each timestep of each news event. We establish strong baseline performance using state-of-the-art summarization systems and propose a query-focused variant to generate background summaries. To evaluate background summary quality, we present a question-answering-based evaluation metric, Background Utility Score (BUS), which measures the percentage of questions about a current event timestep that a background summary answers. Our experiments show the effectiveness of instruction fine-tuned systems such as Flan-T5, in addition to strong zero-shot performance using GPT-3.5.
• Abstract（参考訳）: ニュースイベントの簡潔な要約を生成することは、難しい自然言語処理タスクである。 ジャーナリストは、重要なサブイベントをハイライトするためにタイムラインをキュレートすることが多いが、ニュースイベントへの新参者は、歴史的な状況に追いつくことの難しさに直面する。 本稿では、各タイムライン更新を補完するバックグラウンドニュース要約のタスクと、関連する先行イベントの背景要約を導入することで、このニーズに対処する。 既存の時系列データセットをマージしてデータセットを構築し,各ニュースイベント毎の背景概要を記述する。 本稿では,最先端の要約システムを用いて強力なベースライン性能を確立し,背景要約を生成するクエリ指向型を提案する。 背景要約の質を評価するため,背景要約が回答する現在の事象経過に関する質問の割合を測定する質問応答に基づく評価指標であるバックグラウンドユーティリティスコア(BUS)を提案する。 GPT-3.5を用いたゼロショット性能の向上に加えて,Flan-T5などの微調整システムの有効性を示す。

関連論文リスト

• Unfolding the Headline: Iterative Self-Questioning for News Retrieval and Timeline Summarization [93.56166917491487]
  本稿では,オープンドメインニュースタイムライン SummarizatiOn に対するCHRONOS-Causal Headline Retrieval を提案する。 実験の結果,Chronosはオープンドメインのタイムラインの要約に長けているだけでなく,クローズドドメインアプリケーション用に設計された既存の最先端システムの性能に匹敵していることがわかった。
  論文  参考訳（メタデータ） (2025-01-01T16:28:21Z)
• EventSum: A Large-Scale Event-Centric Summarization Dataset for Chinese Multi-News Documents [32.61252012805789]
  イベント中心多文書要約(ECS)タスクは、複数の関連するニュース文書に基づいて、所定のイベントの簡潔で包括的な要約を生成することを目的としている。 EventSumデータセットを構築し,5,100件のイベントと57,984件のニュースドキュメントを含む。 我々は、イベントリコール、Argument Recall、Causal Recall、Temporal Recallなどの特定のメトリクスを、対応する計算方法とともに設計し、評価を行った。
  論文  参考訳（メタデータ） (2024-12-16T14:29:49Z)
• Retrieval of Temporal Event Sequences from Textual Descriptions [0.0]
  TESRBenchはテキスト記述から時間的イベントシーケンスを検索するためのベンチマークである。 イベントシーケンスの埋め込みと検索のための新しいモデルであるTPP-Embeddingを提案する。 TPP-EmbeddingはTESRBenchデータセットのベースラインモデルよりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-10-17T21:35:55Z)
• Analyzing Temporal Complex Events with Large Language Models? A Benchmark towards Temporal, Long Context Understanding [57.62275091656578]
  時間的複合イベント(TCE)として、長い期間にわたって多くのニュース記事から構成される複合イベントについて述べる。 本稿では,Large Language Models (LLMs) を用いて,TCE内のイベントチェーンを系統的に抽出し,解析する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:42:17Z)
• Text-Tuple-Table: Towards Information Integration in Text-to-Table Generation via Global Tuple Extraction [36.915250638481986]
  リアルタイムのコメンタリーテキストに基づいたコンペの要約表を生成するためのベンチマークデータセットであるLiveSumを紹介する。 我々は,このタスクにおける最先端の大規模言語モデルの性能を,微調整とゼロショットの両方で評価する。 さらに、パフォーマンスを改善するために、$T3$(Text-Tuple-Table)と呼ばれる新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:31:28Z)
• SCTc-TE: A Comprehensive Formulation and Benchmark for Temporal Event Forecasting [63.01035584154509]
  私たちは完全に自動化されたパイプラインを開発し、約0.6百万のニュース記事からMidEast-TEという大規模なデータセットを構築しました。 このデータセットは、2015年から2022年まで、主に中東地域での協力と紛争イベントに焦点を当てている。 そこで本稿では,SCTc-TE予測にローカルコンテキストとグローバルコンテキストの両方を活用可能なLoGoを提案する。
  論文  参考訳（メタデータ） (2023-12-02T07:40:21Z)
• Follow the Timeline! Generating Abstractive and Extractive Timeline Summary in Chronological Order [78.46986998674181]
  時間順で抽象的かつ抽出的な時系列を生成できる統一タイムライン要約器(UTS)を提案する。 我々は、以前の中国の大規模タイムライン要約データセットを拡張し、新しい英語タイムラインデータセットを収集する。 UTSは、自動評価と人的評価の両方の観点から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） (2023-01-02T20:29:40Z)
• SumREN: Summarizing Reported Speech about Events in News [51.82314543729287]
  本稿では,各話者の反応を,それぞれの発言によって表現された反応を,ある事象に要約する新しい課題を提案する。 我々は,多文書要約ベンチマークSUMRENを作成し,様々な公開人物からの報告文の745の要約を作成した。
  論文  参考訳（メタデータ） (2022-12-02T12:51:39Z)
• Detecting Ongoing Events Using Contextual Word and Sentence Embeddings [110.83289076967895]
  本稿では,OED(Ongoing Event Detection)タスクを紹介する。 目的は、歴史、未来、仮説、あるいは新しいものでも現在のものでもない他の形式や出来事に対してのみ、進行中のイベントの言及を検出することである。 構造化されていないテキストから進行中のイベントに関する構造化情報を抽出する必要があるアプリケーションは、OEDシステムを利用することができる。
  論文  参考訳（メタデータ） (2020-07-02T20:44:05Z)

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。