Fugu-MT 論文翻訳(概要): SumHiS: Extractive Summarization Exploiting Hidden Structure

論文の概要: SumHiS: Extractive Summarization Exploiting Hidden Structure

arxiv url: http://arxiv.org/abs/2406.08215v1
Date: Wed, 12 Jun 2024 13:44:58 GMT
ステータス: 処理完了
システム内更新日: 2024-06-13 16:46:00.387313
Title: SumHiS: Extractive Summarization Exploiting Hidden Structure
Title（参考訳）: SumHiS:隠れた構造を持つ抽出的な要約
Authors: Tikhonov Pavel, Anastasiya Ianina, Valentin Malykh,
Abstract要約: そこで本研究では,テキストの隠れクラスタリング構造を用いて要約タスクを抽出する手法を提案する。 CNN/DailyMailの実験結果から,本手法は抽出法と抽象法の両方よりも正確な要約を生成することが示された。
参考スコア（独自算出の注目度）: 4.445432761373431
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Extractive summarization is a task of highlighting the most important parts of the text. We introduce a new approach to extractive summarization task using hidden clustering structure of the text. Experimental results on CNN/DailyMail demonstrate that our approach generates more accurate summaries than both extractive and abstractive methods, achieving state-of-the-art results in terms of ROUGE-2 metric exceeding the previous approaches by 10%. Additionally, we show that hidden structure of the text could be interpreted as aspects.
Abstract（参考訳）: 抽出要約は、テキストの最も重要な部分をハイライトするタスクである。そこで本研究では,テキストの隠れクラスタリング構造を用いて要約タスクを抽出する手法を提案する。 CNN/DailyMailの実験結果から,提案手法では抽出法と抽象法の両方よりも精度の高い要約が生成され,ROUGE-2測定値が従来の手法より10%以上高い結果が得られた。さらに,テキストの隠れ構造をアスペクトとして解釈できることを示す。

関連論文リスト

Towards Enhancing Coherence in Extractive Summarization: Dataset and Experiments with LLMs [70.15262704746378]
我々は,5つの公開データセットと自然言語ユーザフィードバックのためのコヒーレントな要約からなる,体系的に作成された人間アノテーションデータセットを提案する。 Falcon-40BとLlama-2-13Bによる予備的な実験では、コヒーレントなサマリーを生成するという点で大幅な性能向上(10%ルージュ-L)が見られた。
論文参考訳（メタデータ） (2024-07-05T20:25:04Z)
TextFormer: A Query-based End-to-End Text Spotter with Mixed Supervision [61.186488081379]
Transformerアーキテクチャを用いた問合せベースのエンドツーエンドテキストスポッターであるTextFormerを提案する。 TextFormerは、画像エンコーダとテキストデコーダの上に構築され、マルチタスクモデリングのための共同セマンティック理解を学ぶ。分類、セグメンテーション、認識のブランチの相互訓練と最適化を可能にし、より深い特徴共有をもたらす。
論文参考訳（メタデータ） (2023-06-06T03:37:41Z)
Document Summarization with Text Segmentation [7.954814600961461]
我々は、抽出要約タスクを改善するために、固有文書セグメント構造を利用する。 2つのテキストセグメンテーションモデルを構築し、その出力予測を導入するための最も最適な戦略を見出す。
論文参考訳（メタデータ） (2023-01-20T22:24:22Z)
Generating Multiple-Length Summaries via Reinforcement Learning for Unsupervised Sentence Summarization [44.835811239393244]
文要約は、テキストの中核的な内容を維持しながら与えられたテキストを短縮する。人書きの要約のないテキストを要約するために、教師なしのアプローチが研究されている。本研究では, 基礎構造を含まない強化学習に基づく抽象モデルを提案する。
論文参考訳（メタデータ） (2022-12-21T08:34:28Z)
Salience Allocation as Guidance for Abstractive Summarization [61.31826412150143]
本稿では, サリエンセ・サリエンス・ガイダンス(SEASON, SaliencE Allocation as Guidance for Abstractive SummarizatiON)を用いた新しい要約手法を提案する。 SEASONは、サリエンス予測の割り当てを利用して抽象的な要約を導き、異なる抽象性のある記事に順応する。
論文参考訳（メタデータ） (2022-10-22T02:13:44Z)
A General Contextualized Rewriting Framework for Text Summarization [15.311467109946571]
抽出文は比較的焦点が当てられているが、背景知識や談話の文脈が失われる可能性がある。コンテントベースのアドレッシングによって抽出文を識別し、グループタグアライメントを施したSeq2seqとしてコンテクスト化された書き直しを形式化する。その結果,本手法は強化学習を必要とせず,非コンテクスチュアライズされた書き換えシステムよりも優れていた。
論文参考訳（メタデータ） (2022-07-13T03:55:57Z)
A Survey on Neural Abstractive Summarization Methods and Factual Consistency of Summarization [18.763290930749235]
要約は、サブセット(要約)を作成するために、テキストデータの集合を計算的に短縮する過程である既存の要約法は、抽出法と抽象法という2つのタイプに大別できる。抽出要約器は、ソース文書からテキストスニペットを明示的に選択し、抽象要約器は、ソースで広く普及している最も健全な概念を伝えるために、新しいテキストスニペットを生成する。
論文参考訳（メタデータ） (2022-04-20T14:56:36Z)
EASE: Extractive-Abstractive Summarization with Explanations [18.046254486733186]
情報ボトルネック原理に基づく説明可能な要約システムを提案する。人間が長い文書をまとめるために2段階の枠組みを使用するという以前の研究に触発されて、私たちのフレームワークは最初に説明として事前に定義された証拠の量を抽出します。生成した要約の質を著しく犠牲にすることなく、我々のフレームワークからの説明は単純なベースラインよりも適切であることを示す。
論文参考訳（メタデータ） (2021-05-14T17:45:06Z)
TRIE: End-to-End Text Reading and Information Extraction for Document Understanding [56.1416883796342]
本稿では,統合されたエンドツーエンドのテキスト読解と情報抽出ネットワークを提案する。テキスト読解のマルチモーダル視覚的特徴とテキスト的特徴は、情報抽出のために融合される。提案手法は, 精度と効率の両面において, 最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2020-05-27T01:47:26Z)
Extractive Summarization as Text Matching [123.09816729675838]
本稿では,ニューラル抽出要約システムの構築方法に関するパラダイムシフトを作成する。抽出した要約タスクを意味テキストマッチング問題として定式化する。我々はCNN/DailyMailの最先端抽出結果を新しいレベル(ROUGE-1の44.41)に推し進めた。
論文参考訳（メタデータ） (2020-04-19T08:27:57Z)
Salience Estimation with Multi-Attention Learning for Abstractive Text Summarization [86.45110800123216]
テキスト要約のタスクでは、単語、フレーズ、文のサリエンス推定が重要な要素である。本稿では,サラレンス推定のための2つの新しい注目学習要素を含むマルチアテンション学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-04-07T02:38:56Z)

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。