論文の概要: Enhancing Abstractive Summarization of Scientific Papers Using Structure Information

• arxiv url: http://arxiv.org/abs/2505.14179v1
• Date: Tue, 20 May 2025 10:34:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:53.068828
• Title: Enhancing Abstractive Summarization of Scientific Papers Using Structure Information
• Title（参考訳）: 構造情報を用いた学術論文の抽象要約の強化
• Authors: Tong Bao, Heng Zhang, Chengzhi Zhang,
• Abstract要約: 本稿では,学術論文における構造的機能の自動認識を活用する2段階の抽象的要約フレームワークを提案する。 第1段階では,多くの学術論文から章題を標準化し,構造関数認識のための大規模データセットを構築した。 第2段階では、Longformerを用いて、セクション間のリッチなコンテキスト関係をキャプチャし、コンテキスト対応の要約を生成する。
• 参考スコア（独自算出の注目度）: 6.414732533433283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Abstractive summarization of scientific papers has always been a research focus, yet existing methods face two main challenges. First, most summarization models rely on Encoder-Decoder architectures that treat papers as sequences of words, thus fail to fully capture the structured information inherent in scientific papers. Second, existing research often use keyword mapping or feature engineering to identify the structural information, but these methods struggle with the structural flexibility of scientific papers and lack robustness across different disciplines. To address these challenges, we propose a two-stage abstractive summarization framework that leverages automatic recognition of structural functions within scientific papers. In the first stage, we standardize chapter titles from numerous scientific papers and construct a large-scale dataset for structural function recognition. A classifier is then trained to automatically identify the key structural components (e.g., Background, Methods, Results, Discussion), which provides a foundation for generating more balanced summaries. In the second stage, we employ Longformer to capture rich contextual relationships across sections and generating context-aware summaries. Experiments conducted on two domain-specific scientific paper summarization datasets demonstrate that our method outperforms advanced baselines, and generates more comprehensive summaries. The code and dataset can be accessed at https://github.com/tongbao96/code-for-SFR-AS.
• Abstract（参考訳）: 科学論文の抽象的な要約は、常に研究の焦点となっているが、既存の手法は2つの大きな課題に直面している。 第一に、ほとんどの要約モデルはエンコーダ・デコーダアーキテクチャ(Encoder-Decoder architecture)に依存しており、論文を単語の列として扱うため、科学論文に固有の構造化情報を完全にキャプチャすることができない。 第二に、既存の研究は、しばしばキーワードマッピングや特徴工学を用いて構造情報を識別するが、これらの手法は科学論文の構造的柔軟性に苦慮し、異なる分野にわたる堅牢性を欠いている。 これらの課題に対処するために,学術論文における構造的機能の自動認識を活用する2段階の抽象的要約フレームワークを提案する。 第1段階では,多くの学術論文から章題を標準化し,構造関数認識のための大規模データセットを構築した。 次に、分類器がトレーニングされて、よりバランスの取れた要約を生成するための基盤を提供する重要な構造コンポーネント(例えば、バックグラウンド、メソッド、結果、議論)を自動的に識別する。 第2段階では、Longformerを用いて、セクション間のリッチなコンテキスト関係をキャプチャし、コンテキスト対応の要約を生成する。 ドメイン固有の2つの論文要約データセットを用いて行った実験は,本手法が高度なベースラインを上回り,より包括的な要約を生成することを示す。 コードとデータセットはhttps://github.com/tongbao96/code-for-SFR-ASでアクセスできる。

関連論文リスト

• Object Recognition from Scientific Document based on Compartment Refinement Framework [2.699900017799093]
  膨大な資源から貴重な情報を効率的に抽出することがますます重要になっている。 科学文書の現在のデータ抽出方法は、ルールベース(RB)または機械学習(ML)アプローチを用いるのが一般的である。 我々はCTBR(Compartment & Text Blocks Refinement)と呼ばれる新しい文書レイアウト分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-14T15:36:49Z)
• Incremental hierarchical text clustering methods: a review [49.32130498861987]
  本研究の目的は,階層的および漸進的クラスタリング技術の解析である。 本研究の主な貢献は、文書クラスタリングのテキスト化を目的とした、2010年から2018年にかけて出版された研究で使用されるテクニックの組織化と比較である。
  論文  参考訳（メタデータ） (2023-12-12T22:27:29Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• 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)
• ReSel: N-ary Relation Extraction from Scientific Text and Tables by Learning to Retrieve and Select [53.071352033539526]
  学術論文からN-ary関係を抽出する問題について考察する。 提案手法であるReSelは,このタスクを2段階のプロシージャに分解する。 3つの科学的情報抽出データセットに対する実験により、ReSelは最先端のベースラインを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2022-10-26T02:28:02Z)
• TRIE++: Towards End-to-End Information Extraction from Visually Rich Documents [51.744527199305445]
  本稿では,視覚的にリッチな文書からエンド・ツー・エンドの情報抽出フレームワークを提案する。 テキスト読み出しと情報抽出は、よく設計されたマルチモーダルコンテキストブロックを介して互いに強化することができる。 フレームワークはエンドツーエンドのトレーニング可能な方法でトレーニングでき、グローバルな最適化が達成できる。
  論文  参考訳（メタデータ） (2022-07-14T08:52:07Z)
• Enhancing Identification of Structure Function of Academic Articles Using Contextual Information [6.28532577139029]
  本稿では,学術論文の構造的機能を明らかにするためのコーパスとして,ACLカンファレンスの記事を取り上げる。 従来の機械学習モデルとディープラーニングモデルを用いて、様々な特徴入力に基づいて分類器を構築する。 2) に触発された本論文は,ディープラーニングモデルに文脈情報を導入し,重要な結果を得た。
  論文  参考訳（メタデータ） (2021-11-28T11:21:21Z)
• What's New? Summarizing Contributions in Scientific Literature [85.95906677964815]
  本稿では,論文のコントリビューションと作業状況について,個別の要約を生成するために,論文要約のアンタングル化という新たなタスクを導入する。 本稿では,学術論文のS2ORCコーパスを拡張し,コントリビューション・コントリビューション・コントリビューション・レファレンス・ラベルを付加する。 本稿では, 生成した出力の関連性, 新規性, 絡み合いを報告する総合的自動評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2020-11-06T02:23:01Z)

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。