Dec, 2012

基于查询的多文档摘要：将新颖主题模型与基于图的半监督学习相结合

PDF
TL;DR通过引入句子层级和主题层级的图半监督学习方法，以及利用句子和词之间的依赖关系构建主题模型，可以有效改善查询聚焦的多文档摘要的质量。经实验证明，该方法在 DUC 和 TAC 数据集上非常有效。
graph-based semi-supervised learningmulti-document summarizationtopic modelsentence layertopic layer
发现论文，激发创造
  • 面向查询的多文档摘要的基于特征的贝叶斯模型

    本文提出了一种新的有监督方法，可以将丰富的句子特征合并到贝叶斯主题模型中，从而充分利用主题模型和基于特征的有监督学习方法进行查询焦点的多文档摘要， TAC2008 和 TAC2009 的实验表明了我们的方法的有效性。

    Dec, 2012

  • 主题引导的抽象多文档摘要

    该论文提出了一种基于异构图和神经主题模型的抽象多文档摘要模型，采用图到序列的框架，同时训练主题和摘要模块以提高性能和生成高质量主题。

    Oct, 2021

  • 利用主题感知图神经网络增强抽取式文本摘要

    本文提出了基于图神经网络（GNN）的抽取式摘要模型，并整合了深度神经主题模型（NTM）来发现潜在主题，从而提供句子选择的文档级特征，实验结果表明，我们的模型在 CNN/DM 和 NYT 数据集上取得了最先进的结果，在由较长文档组成的科学论文数据集上也明显优于现有方法，进一步研究表明，主题信息可以帮助模型从整个文档中预先选择凸显内容，因此能够有效地摘要长文档。

    Oct, 2020

  • 基于图神经网络的多文档摘要

    本文提出了一种神经多文档自动摘要（MDS）系统，该系统采用句子关系图，利用图卷积网络（GCN）在关系图上执行多层次传播，从而生成高层次的句子特征并进行重要性评估，然后采用贪婪启发式方法提取显著句子。通过在 DUC 2004 上的实验，证明了结合句子关系和深度神经网络表征的优势。该模型优于传统的基于图的提取式方法和不包含图的基础 GRU 序列模型，并且在多文档自动摘要系统方面表现出了竞争力。

    Jun, 2017

  • 利用图形提高抽象多文档摘要

    本文提出了一种神经抽象的文档多摘要模型，该模型利用文档之间的相似性图和话语图等知名图形表示来更有效地处理多个输入文档并生成抽象的摘要，其利用图形编码文档以捕捉跨文档关系，可以利用图形来指导摘要生成过程，结果表明该架构相比多个强基线带来了实质性的改进。

    May, 2020

  • 引用图增强的科学论文摘要提取

    本文研究了使用引文图来提高科学论文摘要生成的质量，提出了两种方法：为任务提供简单而低成本的多粒度无监督摘要生成方法 (MUS)，以及对大量标记数据具有更准确结果的基于图的监督摘要方法 (GSS)，并在公共基准数据集上进行了实验验证以证明方法的有效性。

    Dec, 2022

  • 面向主题的摘要生成的主题选择性图网络

    通过提出课题弧识别目标和主题选择图网络，为基于预训练语言模型的摘要生成模型增加了话题区分的能力，并在此基础上实现了话题指导下的跨句互动。实验证明，所提出的方法具有优异的性能。

    Feb, 2023

  • 长篇科学文档的基于话语的无监督摘要

    本文提出了一种基于无监督的基于图的排名模型，用于提取科学文献的摘要。我们的方法假定源文档采用两级分层图表示，并利用不对称的位置提示来确定句子的重要性。在 PubMed 和 arXiv 数据集上的结果表明，我们的方法在自动指标和人工评价方面优于强无监督基线。此外，其性能与许多基于监督学习的方法相当。这些结果表明，篇章结构中的模式是确定科学文章重要性的强有力信号。

    May, 2020

  • 图搜索和匹配实现的多文档摘要

    本论文提出了一种基于图表达的文本相似性和差异性总结方法，使用 “spreading activation” 技术在两个相关文档中发现与主题语义相关的节点，并将两个文档的激活图匹配以获得相似和不同之处的图。

    Dec, 1997

  • 通过混合结构化摘要和基于 LLM 的数据增强改进主题相关性模型

    社交搜索中查询与文档的主题相关性是一个重要的部分，该研究提出了一种使用大型语言模型的查询重写和生成方法来改善关联建模的性能。

    Apr, 2024