論文の概要: CiteBART: Learning to Generate Citations for Local Citation Recommendation

• arxiv url: http://arxiv.org/abs/2412.17534v1
• Date: Mon, 23 Dec 2024 12:58:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 16:01:29.623513
• Title: CiteBART: Learning to Generate Citations for Local Citation Recommendation
• Title（参考訳）: CiteBART: ローカルなCitationレコメンデーションのためのCitation生成学習
• Authors: Ege Yiğit Çelik, Selma Tekir,
• Abstract要約: 本稿では,局所的引用レコメンデーション(LCR)を実現するために,引用トークンマスキングに基づくカスタムBART事前トレーニングであるCiteBARTを提案する。 ベーススキームでは、局所的な引用コンテキストにおける引用トークンをマスクして、引用予測を行う。 グローバルな意味では、論文のタイトルを再構築し、ローカルな引用コンテキストに抽象化し、引用トークンを学ぶ。 この効果は、例えばRefseerやArXivのようなより大きなベンチマークにおいて重要である。
• 参考スコア（独自算出の注目度）: 0.138120109831448
• License:
• Abstract: Citations are essential building blocks in scientific writing. The scientific community is longing for support in their generation. Citation generation involves two complementary subtasks: Determining the citation worthiness of a context and, if it's worth it, proposing the best candidate papers for the citation placeholder. The latter subtask is called local citation recommendation (LCR). This paper proposes CiteBART, a custom BART pre-training based on citation token masking to generate citations to achieve LCR. In the base scheme, we mask the citation token in the local citation context to make the citation prediction. In the global one, we concatenate the citing paper's title and abstract to the local citation context to learn to reconstruct the citation token. CiteBART outperforms state-of-the-art approaches on the citation recommendation benchmarks except for the smallest FullTextPeerRead dataset. The effect is significant in the larger benchmarks, e.g., Refseer and ArXiv. We present a qualitative analysis and an ablation study to provide insights into the workings of CiteBART. Our analyses confirm that its generative nature brings about a zero-shot capability.
• Abstract（参考訳）: サイテーションは科学的な文章に不可欠な構成要素である。 科学界は彼らの世代への支持を切望している。 サイテーション生成には2つの補完的なサブタスクがある: コンテキストの引用価値を決定することと、それが価値のあるら、引用プレースホルダーに最適な候補論文を提案することである。 後者のサブタスクはローカル引用レコメンデーション(LCR)と呼ばれる。 本稿では、引用トークンマスキングに基づくカスタムBARTプリトレーニングであるCiteBARTを提案し、LCRを実現するための引用を生成する。 ベーススキームでは、局所的な引用コンテキストにおける引用トークンをマスクして、引用予測を行う。 グローバルな論文では,引用論文のタイトルと要約を局所的な引用コンテキストに結合し,引用トークンの再構築を学習する。 CiteBARTは、最小のFullTextPeerReadデータセットを除いて、引用レコメンデーションベンチマークにおける最先端のアプローチよりも優れています。 この効果は、例えば、Refseer、ArXivといったより大きなベンチマークにおいて重要である。 本稿では,CiteBARTの動作に関する質的分析とアブレーション研究について述べる。 解析により、その生成特性がゼロショット能力をもたらすことを確認した。

関連論文リスト

• SelfCite: Self-Supervised Alignment for Context Attribution in Large Language Models [51.90867482317985]
  SelfCiteは自己教師型のアプローチで、LLMを調整して、生成された応答における文に対する高品質できめ細かい文レベルの引用を生成する。 コストと労働集約的なアノテーションに頼る代わりに、SelfCiteはLLM自体が提供する報酬シグナルをコンテキストアブレーションを通じて活用する。 SelfCiteの有効性は、5つの長文質問応答タスクにわたるLongBench-Citeベンチマークにおいて、引用F1を5.3ポイントまで増やすことによって示される。
  論文  参考訳（メタデータ） (2025-02-13T18:55:13Z)
• Citation Recommendation based on Argumentative Zoning of User Queries [7.596930973436683]
  議論的区分とは、科学的文学における議論的かつ修辞的な構造を特定することである。 本稿では,引用レコメンデーションと議論的偏差分類のためのマルチタスク学習モデルを構築した。
  論文  参考訳（メタデータ） (2025-01-30T12:08:00Z)
• ALiiCE: Evaluating Positional Fine-grained Citation Generation [54.19617927314975]
  本稿では,微細な引用生成のための最初の自動評価フレームワークであるALiiCEを提案する。 我々のフレームワークはまず、文のクレームを依存性分析によって原子クレームに解析し、次に原子クレームレベルでの引用品質を計算する。 複数大言語モデルの2つの長文QAデータセット上での位置的きめ細かな引用生成性能を評価する。
  論文  参考訳（メタデータ） (2024-06-19T09:16:14Z)
• ILCiteR: Evidence-grounded Interpretable Local Citation Recommendation [31.259805200946175]
  本稿では,特定の論文を推薦するための証拠を対象とする,根拠に基づく局所引用推薦タスクを紹介する。 単にレコメンデーションを出力する過去の定式化とは異なり、ICCiteRはエビデンスのリストとレコメンデーションペーパーのペアを検索する。 本研究では,エビデンスに基づく局所的引用推薦タスクのための新しいデータセットを提供し,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-13T17:38:05Z)
• Contextualizing Generated Citation Texts [11.531517736126657]
  本稿では,引用テキスト生成タスクの簡単な修正を提案する。 生成ターゲットは、引用そのものだけではなく、ターゲットの引用を含むコンテキストウィンドウ全体である。
  論文  参考訳（メタデータ） (2024-02-28T05:24:21Z)
• CiteBench: A benchmark for Scientific Citation Text Generation [69.37571393032026]
  CiteBenchは引用テキスト生成のベンチマークである。 CiteBenchのコードはhttps://github.com/UKPLab/citebench.comで公開しています。
  論文  参考訳（メタデータ） (2022-12-19T16:10:56Z)
• QuoteR: A Benchmark of Quote Recommendation for Writing [80.83859760380616]
  QuoteRと呼ばれる大規模かつ完全にオープンな引用レコメンデーションデータセットを構築します。 我々はQuoteR上で既存の引用レコメンデーション手法を広範囲に評価する。 提案手法は,QuoteRの3つの部分すべてにおいて,従来の手法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2022-02-26T14:01:44Z)
• Towards generating citation sentences for multiple references with intent control [86.53829532976303]
  We build a novel generation model with the Fusion-in-Decoder approach to handlee with multiple long inputs。 実験により,提案手法は引用文を生成するためのより包括的な特徴を提供することが示された。
  論文  参考訳（メタデータ） (2021-12-02T15:32:24Z)
• Citations are not opinions: a corpus linguistics approach to understanding how citations are made [0.0]
  引用内容分析の重要な問題は、引用の異なるクラスを特徴付ける言語構造を見つけることである。 本研究では,分類済みの引用コーパスの大規模なサンプルから始めて,発声スマート引用データセットの各クラスから200万の引用を行う。 各引用型の比較表を生成することにより,引用型を特徴付ける興味深い言語特徴を多数提示する。
  論文  参考訳（メタデータ） (2021-04-16T12:52:27Z)
• Enhancing Scientific Papers Summarization with Citation Graph [78.65955304229863]
  引用グラフを用いて科学論文の要約作業を再定義します。 我々は,141kの研究論文を異なる領域に格納した,新しい科学論文要約データセットセマンティックスタディネットワーク(ssn)を構築した。 我々のモデルは、事前訓練されたモデルと比較して競争性能を達成することができる。
  論文  参考訳（メタデータ） (2021-04-07T11:13:35Z)

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。