論文の概要: Hierarchical Ranking Neural Network for Long Document Readability Assessment

• arxiv url: http://arxiv.org/abs/2511.21473v1
• Date: Wed, 26 Nov 2025 15:05:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.152965
• Title: Hierarchical Ranking Neural Network for Long Document Readability Assessment
• Title（参考訳）: 長期文書読解性評価のための階層的ランク付けニューラルネットワーク
• Authors: Yurui Zheng, Yijun Chen, Shaohong Zhang,
• Abstract要約: 本稿では,テキスト中のリッチな意味情報を持つ領域を特定するために,コンテキスト情報をキャプチャする双方向可読性評価機構を提案する。 これらの文レベルのラベルは、ドキュメントの全体的な可読性レベルを予測するのに使用される。 ラベルサブトラクションによる可読性レベル間の順序関係をモデル化するために、ペアワイズソートアルゴリズムを導入する。
• 参考スコア（独自算出の注目度）: 2.160803573421694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Readability assessment aims to evaluate the reading difficulty of a text. In recent years, while deep learning technology has been gradually applied to readability assessment, most approaches fail to consider either the length of the text or the ordinal relationship of readability labels. This paper proposes a bidirectional readability assessment mechanism that captures contextual information to identify regions with rich semantic information in the text, thereby predicting the readability level of individual sentences. These sentence-level labels are then used to assist in predicting the overall readability level of the document. Additionally, a pairwise sorting algorithm is introduced to model the ordinal relationship between readability levels through label subtraction. Experimental results on Chinese and English datasets demonstrate that the proposed model achieves competitive performance and outperforms other baseline models.
• Abstract（参考訳）: 可読性評価はテキストの読みやすさを評価することを目的としている。 近年、深層学習技術が可読性評価に徐々に応用されているが、ほとんどのアプローチではテキストの長さや可読性ラベルの順序関係を考慮できない。 本稿では、テキスト中のリッチな意味情報を持つ領域を特定するための文脈情報をキャプチャする双方向可読性評価機構を提案し、それによって個々の文の可読性レベルを予測する。 これらの文レベルのラベルは、ドキュメントの全体的な可読性レベルを予測するのに使用される。 さらに、ラベルサブトラクションによる可読性レベル間の順序関係をモデル化するために、ペアワイズソートアルゴリズムを導入する。 中国語と英語のデータセットに対する実験結果から,提案モデルが競争性能を達成し,他のベースラインモデルよりも優れていることが示された。

関連論文リスト

• Target-oriented Multimodal Sentiment Classification with Counterfactual-enhanced Debiasing [5.0175188046562385]
  マルチモーダル感情分類は、画像とテキストのペアから特定のターゲットに対する感情極性を予測しようとする。 既存の作業はしばしばテキストの内容に過度に依存し、データセットのバイアスを考慮できない。 本稿では,このような突発的相関を低減すべく,新たな反事実強化脱バイアスフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-11T05:40:53Z)
• Readability Formulas, Systems and LLMs are Poor Predictors of Reading Ease [4.868319717279586]
  我々は、視線追跡を用いたオンライン読解手段を用いて、読みやすさとリアルタイム読みやすさの基本的な側面に焦点を当てた。 この評価を従来の可読性の公式、現代の機械学習システム、教育で使用される商用システムに適用すると、これらはすべて英語で読みやすいという予測が下手であることを示唆している。
  論文  参考訳（メタデータ） (2025-02-16T14:51:44Z)
• Generating Summaries with Controllable Readability Levels [67.34087272813821]
  テキストの複雑さ、主題、読者の背景知識など、可読性レベルに影響を与える要因がいくつかある。 現在のテキスト生成アプローチでは制御が洗練されておらず、結果として読者の習熟度にカスタマイズされないテキストが作られる。 可読性を制御するための3つのテキスト生成手法を開発した。命令ベースの可読性制御,要求される可読性と観測される可読性の間のギャップを最小限に抑える強化学習,および,ルックアヘッドを用いて今後の復号化ステップの可読性を評価する復号手法である。
  論文  参考訳（メタデータ） (2023-10-16T17:46:26Z)
• Conditional Supervised Contrastive Learning for Fair Text Classification [59.813422435604025]
  対照的な学習を通してテキスト分類のための等化オッズとして知られる公平性の概念を満たす学習公正表現について研究する。 具体的には、まず、公正性制約のある学習表現と条件付き教師付きコントラスト目的との間の関係を理論的に分析する。
  論文  参考訳（メタデータ） (2022-05-23T17:38:30Z)
• Multitask Learning for Class-Imbalanced Discourse Classification [74.41900374452472]
  マルチタスクアプローチは,現在のベンチマークで7%のマイクロf1コアを改善できることを示す。 また,NLPにおける資源不足問題に対処するための追加手法の比較検討を行った。
  論文  参考訳（メタデータ） (2021-01-02T07:13:41Z)
• Hierarchical Bi-Directional Self-Attention Networks for Paper Review Rating Recommendation [81.55533657694016]
  本稿では,階層型双方向自己注意ネットワークフレームワーク(HabNet)を提案する。 具体的には、文エンコーダ(レベル1)、レビュー内エンコーダ(レベル2)、レビュー間エンコーダ(レベル3)の3つのレベルで、論文レビューの階層構造を利用する。 我々は、最終的な受理決定を行う上で有用な予測者を特定することができ、また、数値的なレビュー評価とレビュアーが伝えるテキストの感情の不整合を発見するのに役立てることができる。
  論文  参考訳（メタデータ） (2020-11-02T08:07:50Z)
• Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
  アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。 次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
  論文  参考訳（メタデータ） (2020-10-13T21:33:24Z)
• A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
  過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。 本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。 特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
  論文  参考訳（メタデータ） (2020-08-02T00:09:03Z)

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。