論文の概要: Analysis of Multidomain Abstractive Summarization Using Salience
Allocation
- arxiv url: http://arxiv.org/abs/2402.11955v1
- Date: Mon, 19 Feb 2024 08:52:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 17:27:23.191410
- Title: Analysis of Multidomain Abstractive Summarization Using Salience
Allocation
- Title（参考訳）: サリエンスアロケーションを用いた多領域抽象要約の解析
- Authors: Tohida Rehman, Raghubir Bose, Soumik Dey, Samiran Chattopadhyay
- Abstract要約: 季節は、塩分割り当て技術を活用して要約を強化するために設計されたモデルである。
本稿では、ROUGE、METEOR、BERTScore、MoverScoreなどの様々な評価指標を用いて、抽象的な要約を生成するために微調整されたモデルの性能を評価する。
- 参考スコア（独自算出の注目度）: 2.6880540371111445
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper explores the realm of abstractive text summarization through the
lens of the SEASON (Salience Allocation as Guidance for Abstractive
SummarizatiON) technique, a model designed to enhance summarization by
leveraging salience allocation techniques. The study evaluates SEASON's
efficacy by comparing it with prominent models like BART, PEGASUS, and
ProphetNet, all fine-tuned for various text summarization tasks. The assessment
is conducted using diverse datasets including CNN/Dailymail, SAMSum, and
Financial-news based Event-Driven Trading (EDT), with a specific focus on a
financial dataset containing a substantial volume of news articles from
2020/03/01 to 2021/05/06. This paper employs various evaluation metrics such as
ROUGE, METEOR, BERTScore, and MoverScore to evaluate the performance of these
models fine-tuned for generating abstractive summaries. The analysis of these
metrics offers a thorough insight into the strengths and weaknesses
demonstrated by each model in summarizing news dataset, dialogue dataset and
financial text dataset. The results presented in this paper not only contribute
to the evaluation of the SEASON model's effectiveness but also illuminate the
intricacies of salience allocation techniques across various types of datasets.
- Abstract（参考訳）: 本稿では,サリエンス割り当て技術を活用した要約モデルであるSEASON(Salience Allocation as Guidance for Abstractive SummarizatiON)のレンズによる抽象テキスト要約の領域について検討する。
この研究は、SEASONの有効性を、BART、PEGASUS、ProphetNetなどの著名なモデルと比較することで評価する。
この評価は、cnn/dailymail、samsum、financial-newsベースのイベント駆動トレーディング(edt)を含む多様なデータセットを使用して行われ、特に2020/03/01から2021/05/06までの大量のニュース記事を含む金融データセットに焦点を当てている。
本稿では, rouge, meteor, bertscore, moverscoreなどの様々な評価指標を用いて, 要約生成のための微調整モデルの性能評価を行った。
これらのメトリクスの分析は、ニュースデータセット、対話データセット、金融テキストデータセットを要約する各モデルによって示される強みと弱みに関する詳細な洞察を提供する。
本論文は,SEASONモデルの有効性評価に寄与するだけでなく,様々な種類のデータセットを対象としたサリエンス割り当て手法の複雑化にも寄与する。
関連論文リスト
- SciER: An Entity and Relation Extraction Dataset for Datasets, Methods, and Tasks in Scientific Documents [49.54155332262579]
我々は,科学論文のデータセット,メソッド,タスクに関連するエンティティに対して,新たなエンティティと関係抽出データセットをリリースする。
我々のデータセットには、24k以上のエンティティと12kの関係を持つ106の注釈付きフルテキストの科学出版物が含まれています。
論文 参考訳（メタデータ） (2024-10-28T15:56:49Z) - Automatic News Summerization [0.0]
この研究は、ニュース記事と人為的な参照要約からなるCNN-Daily Mailデータセットを用いている。
評価はROUGEスコアを用いて生成した要約の有効性と品質を評価する。
論文 参考訳（メタデータ） (2023-10-17T18:38:03Z) - Exploring the Power of Topic Modeling Techniques in Analyzing Customer
Reviews: A Comparative Analysis [0.0]
大量のテキストデータをオンラインで分析するために、機械学習と自然言語処理アルゴリズムがデプロイされている。
本研究では,顧客レビューに特化して用いられる5つのトピックモデリング手法について検討・比較する。
以上の結果から,BERTopicはより意味のあるトピックを抽出し,良好な結果を得ることができた。
論文 参考訳（メタデータ） (2023-08-19T08:18:04Z) - Summary-Oriented Vision Modeling for Multimodal Abstractive
Summarization [63.320005222549646]
マルチモーダル抽象要約(MAS)は、マルチモーダルデータ(テキストとビジョン)から簡潔な要約を作成することを目的としている。
本稿では,要約指向の視覚的特徴によって要約品質を改善することを提案する。
中高、低低、ゼロリソースのシナリオをカバーする44言語の実験は、提案手法の有効性と優位性を検証する。
論文 参考訳（メタデータ） (2022-12-15T09:05:26Z) - Template-based Abstractive Microblog Opinion Summarisation [26.777997436856076]
我々は,マイクロブログ意見要約(MOS)の課題を紹介し,ゴールド標準意見要約3100のデータセットを共有する。
このデータセットには、2年間にわたるつぶやきの要約が含まれており、他のパブリックなTwitter要約データセットよりも多くのトピックをカバーしている。
論文 参考訳（メタデータ） (2022-08-08T12:16:01Z) - NEWTS: A Corpus for News Topic-Focused Summarization [9.872518517174498]
本稿では,CNN/Dailymailデータセットに基づく最初の話題要約コーパスを提案する。
提案手法の有効性を検証し,提案手法の有効性を検証した。
論文 参考訳（メタデータ） (2022-05-31T10:01:38Z) - ConvoSumm: Conversation Summarization Benchmark and Improved Abstractive
Summarization with Argument Mining [61.82562838486632]
我々は、さまざまなオンライン会話形式のニュースコメント、ディスカッションフォーラム、コミュニティ質問応答フォーラム、電子メールスレッドに関する4つの新しいデータセットをクラウドソースする。
我々は、データセットの最先端モデルをベンチマークし、データに関連する特徴を分析します。
論文 参考訳（メタデータ） (2021-06-01T22:17:13Z) - SummVis: Interactive Visual Analysis of Models, Data, and Evaluation for
Text Summarization [14.787106201073154]
SummVisは抽象要約を視覚化するためのオープンソースツールです。
テキスト要約に関連するモデル、データ、評価メトリクスの詳細な分析を可能にする。
論文 参考訳（メタデータ） (2021-04-15T17:13:00Z) - Unsupervised Opinion Summarization with Content Planning [58.5308638148329]
要約モデルにコンテンツプランニングを明示的に組み込むことで、より高い品質のアウトプットが得られることを示す。
また、より自然な合成データセットを作成し、実世界の文書と要約のペアに似ている。
当社のアプローチは,情報的,一貫性,流動的な要約を生成する上で,競争モデルよりも優れています。
論文 参考訳（メタデータ） (2020-12-14T18:41:58Z) - Improving Zero and Few-Shot Abstractive Summarization with Intermediate
Fine-tuning and Data Augmentation [101.26235068460551]
大規模テキストコーパス上での自己教師対象による事前学習モデルは、英語テキスト要約タスクにおける最先端のパフォーマンスを達成する。
モデルは通常、数十万のデータポイントで微調整されるが、これは新しいニッチなドメインに要約を適用する際に、実現不可能な要件である。
我々は、教師なし、データセット固有の方法で要約のための訓練済みモデルを微調整するための、WikiTransferと呼ばれる新しい一般化可能な手法を紹介した。
論文 参考訳（メタデータ） (2020-10-24T08:36:49Z) - CDEvalSumm: An Empirical Study of Cross-Dataset Evaluation for Neural
Summarization Systems [121.78477833009671]
データセット間設定下での様々な要約モデルの性能について検討する。
異なるドメインの5つのデータセットに対する11の代表的な要約システムに関する包括的な研究は、モデルアーキテクチャと生成方法の影響を明らかにしている。
論文 参考訳（メタデータ） (2020-10-11T02:19:15Z)
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。