論文の概要: Single Document Extractive Summarization using Domination in Hypergraph

• arxiv url: http://arxiv.org/abs/2609.15993v1
• Date: Wed, 08 Jul 2026 09:46:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.527693
• Title: Single Document Extractive Summarization using Domination in Hypergraph
• Title（参考訳）: ハイパーグラフにおける支配を用いた単一文書抽出要約
• Abstract要約: 本研究では,単一文書の抽出テキスト要約のためのハイパーグラフについて検討する。 我々は,各エッジがキーワードあるいは重要なトピックであり,ノードがそれらのキーワードを含む文であるハイパーグラフを生成する。 次に,抽出要約を構成する文を含むハイパーグラフの上位集合を見つけるために,欲求アルゴリズムを適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic Text Summarization (ATS) in Natural Language Processing has been an important task in Information Retrieval. It compresses a document to create a summary that captures all the relevant and important information conveyed in the document. This study explores Hypergraph for extractive text summarization of single documents. Objective: This study explores a novel method of leveraging the property of domination in hypergraphs to generate an extractive summary and compare its performance with state of the art graph based methods. Method: Our work aims to generate an extractive summary by creating a sentence hypergraph where each sentence represents a node and the edge is a keyword or a named entity that contains the sentences in which it occurs. We generate a hypergraph where each edge is a keyword or an important topic and the nodes are sentences containing those keywords. Then we apply a greedy algorithm to find the dominating set of the hypergraph which will contain sentences that will form the extractive summary.
• Abstract（参考訳）: 自然言語処理におけるテキストの自動要約(ATS)は,情報検索において重要な課題である。 文書を圧縮して要約を作成し、文書に伝達されるすべての関連および重要な情報をキャプチャする。 本研究では,単一文書の抽出テキスト要約のためのハイパーグラフについて検討する。 目的:本研究では,ハイパーグラフにおける支配特性を利用して抽出要約を生成し,その性能を最先端のグラフベース手法と比較する。 方法:本研究は,各文がノードを表現し,エッジがキーワードあるいはその文を含む名前付きエンティティである文ハイパーグラフを作成することによって,抽出的要約を生成することを目的とする。 我々は,各エッジがキーワードあるいは重要なトピックであり,ノードがそれらのキーワードを含む文であるハイパーグラフを生成する。 次に,抽出要約を構成する文を含むハイパーグラフの上位集合を見つけるために,欲求アルゴリズムを適用した。

関連論文リスト

• Markov-Enhanced Clustering for Long Document Summarization: Tackling the 'Lost in the Middle' Challenge with Large Language Models [0.0]
  本稿では,抽出手法と抽象手法を組み合わせたハイブリッド要約手法を提案する。 本手法では,文書を小さなテキストチャンクに分割し,それらのベクトル埋め込みをクラスタ化し,各クラスタの要約を生成する。
  論文  参考訳（メタデータ） (2025-06-22T13:34:58Z)
• Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
  我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。 予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。 そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
  論文  参考訳（メタデータ） (2022-12-08T11:53:12Z)
• Text Summarization with Oracle Expectation [88.39032981994535]
  抽出要約は、文書の中で最も重要な文を識別し、連結することによって要約を生成する。 ほとんどの要約データセットは、文書文が要約に値するかどうかを示す金のラベルを持っていない。 本稿では,ソフトな予測に基づく文ラベルを生成する,シンプルで効果的なラベル付けアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-26T14:10:08Z)
• Hyperbolic Relevance Matching for Neural Keyphrase Extraction [34.41878064501316]
  キーワード抽出は自然言語処理と情報検索の基本的な課題である。 我々は、同じ双曲空間におけるフレーズや文書を表現するために、新しい双曲マッチングモデル(HyperMatch)を設計する。
  論文  参考訳（メタデータ） (2022-05-04T13:13:52Z)
• From Standard Summarization to New Tasks and Beyond: Summarization with Manifold Information [77.89755281215079]
  テキスト要約は、原文書の短く凝縮した版を作成することを目的とした研究分野である。 現実世界のアプリケーションでは、ほとんどのデータは平易なテキスト形式ではない。 本稿では,現実のアプリケーションにおけるこれらの新しい要約タスクとアプローチについて調査する。
  論文  参考訳（メタデータ） (2020-05-10T14:59:36Z)
• Heterogeneous Graph Neural Networks for Extractive Document Summarization [101.17980994606836]
  クロス文関係は、抽出文書要約における重要なステップである。 We present a graph-based neural network for extractive summarization (HeterSumGraph) 抽出文書要約のためのグラフベースニューラルネットワークに異なる種類のノードを導入する。
  論文  参考訳（メタデータ） (2020-04-26T14:38:11Z)
• 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)
• Selective Attention Encoders by Syntactic Graph Convolutional Networks for Document Summarization [21.351111598564987]
  本稿では,文書中の文から解析木を接続するグラフを提案し,文書の構文表現を学習するために重ねられたグラフ畳み込みネットワーク(GCN)を利用する。 提案したGCNによる選択的アテンションアプローチは,ベースラインよりも優れ,データセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-03-18T01:30:02Z)
• Learning to Select Bi-Aspect Information for Document-Scale Text Content Manipulation [50.01708049531156]
  我々は、テキストスタイルの転送とは逆の文書スケールのテキストコンテンツ操作という、新しい実践的なタスクに焦点を当てる。 詳細は、入力は構造化されたレコードと、別のレコードセットを記述するための参照テキストのセットである。 出力は、ソースレコードセットの部分的内容と参照の書き込みスタイルを正確に記述した要約である。
  論文  参考訳（メタデータ） (2020-02-24T12:52:10Z)

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。