論文の概要: Survey on Multi-Document Summarization: Systematic Literature Review
- arxiv url: http://arxiv.org/abs/2312.12915v1
- Date: Wed, 20 Dec 2023 10:51:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 15:49:05.288512
- Title: Survey on Multi-Document Summarization: Systematic Literature Review
- Title（参考訳）: 多文書要約に関する調査:体系的文献レビュー
- Authors: Uswa Ihsan, Humaira Ashraf, NZ Jhanjhi
- Abstract要約: 本研究は,複数文書要約のための既存手法の体系的な文献レビューを行う。
研究の結果、これらの方法の精度を高めるために、より効果的な方法が依然として必要であることが判明した。
- 参考スコア（独自算出の注目度）: 1.1318175666743657
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this era of information technology, abundant information is available on
the internet in the form of web pages and documents on any given topic. Finding
the most relevant and informative content out of these huge number of
documents, without spending several hours of reading has become a very
challenging task. Various methods of multi-document summarization have been
developed to overcome this problem. The multi-document summarization methods
try to produce high-quality summaries of documents with low redundancy. This
study conducts a systematic literature review of existing methods for
multi-document summarization methods and provides an in-depth analysis of
performance achieved by these methods. The findings of the study show that more
effective methods are still required for getting higher accuracy of these
methods. The study also identifies some open challenges that can gain the
attention of future researchers of this domain.
- Abstract（参考訳）: 情報技術の時代には、あらゆるトピックに関するWebページやドキュメントの形で、豊富な情報がインターネット上で利用可能である。
膨大な量のドキュメントの中から、何時間も読み続けることなく、関連性があり情報に富んだコンテンツを見つけることは、非常に難しい作業だ。
この問題を解決するために,多文書要約の様々な手法が開発されている。
マルチドキュメント要約手法は、冗長性の低い文書の高品質な要約を作成しようとする。
本研究は,マルチドキュメント要約法における既存手法の体系的文献レビューを行い,これらの手法による性能の詳細な分析を行う。
本研究の結果から, 高い精度を得るためには, より効果的な手法が必要であることが判明した。
この研究はまた、この領域の将来の研究者の注意を引くいくつかのオープンな課題を明らかにした。
関連論文リスト
- Unified Multi-Modal Interleaved Document Representation for Information Retrieval [57.65409208879344]
我々は、異なるモダリティでインターリーブされた文書を均等に埋め込み、より包括的でニュアンスのある文書表現を生成する。
具体的には、テキスト、画像、テーブルの処理と統合を統一されたフォーマットと表現に統合する、近年のビジョン言語モデルの能力を活用して、これを実現する。
論文 参考訳（メタデータ） (2024-10-03T17:49:09Z) - Deep Learning based Key Information Extraction from Business Documents: Systematic Literature Review [51.61531917413708]
鍵情報抽出のための深層学習に基づくアプローチは、文書理解(Document Understanding)という用語で提案されている。
この体系的な文献レビューの目的は、この領域における既存のアプローチの詳細な分析とさらなる研究の機会の同定である。
論文 参考訳（メタデータ） (2024-07-23T08:15:55Z) - Unsupervised Multi-document Summarization with Holistic Inference [41.58777650517525]
本稿では,教師なし多文書抽出要約のための新しい総合的枠組みを提案する。
サブセット代表指数(SRI)は、原文からの文のサブセットの重要性と多様性のバランスをとる。
その結果,多文書要約性能の向上には多様性が不可欠であることが示唆された。
論文 参考訳（メタデータ） (2023-09-08T02:56:30Z) - Generating a Structured Summary of Numerous Academic Papers: Dataset and
Method [20.90939310713561]
本稿では,各トピックに関する多数の学術論文の包括的な要約を生成するための,最初の大規模データセットであるBigSurveyを提案する。
我々は,7万件以上の調査論文から対象要約を収集し,その430万件の参考論文の要約を入力文書として活用する。
数十の入力文書から多種多様な内容を整理するために,カテゴリベースアライメント・スパース・トランスフォーマー (CAST) と呼ばれる要約手法を提案する。
論文 参考訳（メタデータ） (2023-02-09T11:42:07Z) - 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) - Modeling Endorsement for Multi-Document Abstractive Summarization [10.166639983949887]
単一文書の要約と多文書の要約の重大な違いは、文書の中で健全なコンテンツがどのように現れるかである。
本稿では,複数文書要約における文書間補完効果とその活用をモデル化する。
提案手法は各文書から合成を生成し,他の文書から有意な内容を識別する支援者として機能する。
論文 参考訳（メタデータ） (2021-10-15T03:55:42Z) - A Survey of Deep Learning Approaches for OCR and Document Understanding [68.65995739708525]
我々は、英語で書かれた文書の文書理解のための様々な手法をレビューする。
文献に現れる方法論を集約し,この領域を探索する研究者の跳躍点として機能させる。
論文 参考訳（メタデータ） (2020-11-27T03:05:59Z) - Multi-document Summarization via Deep Learning Techniques: A Survey [29.431160110691607]
ニューラルネットワークの設計戦略を要約する新しい分類法を提案する。
既存の文献ではめったに議論されない様々な目的関数の違いを強調した。
論文 参考訳（メタデータ） (2020-11-10T00:35:46Z) - CAiRE-COVID: A Question Answering and Query-focused Multi-Document
Summarization System for COVID-19 Scholarly Information Management [48.251211691263514]
我々は、リアルタイム質問応答(QA)とマルチドキュメント要約システムであるCAiRE-COVIDを紹介し、Kaggle COVID-19 Open Researchデータセットチャレンジで10のタスクのうちの1つを勝ち取った。
本システムの目的は,コミュニティからの優先度の高い質問に答えることによって,新型コロナウイルスに関する数多くの学術論文をマイニングすることにある。
論文 参考訳（メタデータ） (2020-05-04T15:07:27Z) - Explaining Relationships Between Scientific Documents [55.23390424044378]
本稿では,2つの学術文書間の関係を自然言語テキストを用いて記述する課題に対処する。
本稿では154K文書から622Kサンプルのデータセットを作成する。
論文 参考訳（メタデータ） (2020-02-02T03:54:47Z)
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。