ICMLAug, 2013

基于背包约束的情境子模序列预测及其在多文档摘要中的应用

PDF
TL;DR本文研究了在背包约束下预测选项集或列表的问题，并通过在线学习的降级模型，证明了如何使两个序列预测模型适应贪心的最大化背包约束问题，实验结果表明，我们的方法优于现有的最先进方法。
knapsacksubmodular rewardonline learningsequence prediction modelsextractive multi-document summarization
发现论文，激发创造
  • 使用文档上下文向量和循环神经网络进行抽取式和生成式文本摘要

    本文提出了一种基于文档上下文的 Seq2Seq 模型，使用 RNN 进行描述总结。文中探讨了使用半监督技术和文档上下文方法进行大型文档总结的现有技术，并证明了该方法的高效性。

    Jul, 2018

  • 基于学习的单文档压缩和先行词约束式摘要

    本文提出了一种判别模型，它将压缩和先行语限制结合起来，选择文本单元以生成单文档摘要，并在大语料库上学习权重。训练后，该系统在 ROUGE 和人类语言质量判断方面均优于其他已有工作。

    Mar, 2016

  • 上下文提取式自监督学习

    通过引入三种辅助预训练任务，从而以自监督的方式学习捕捉文档级上下文，进一步改善目前的提取式摘要模型，并在广泛使用的 CNN / DM 数据集上进行的实验验证了所提出的辅助任务的有效性。此外，我们显示出，在预训练后，一个由简单构建块组成的干净模型可以胜过之前精心设计的最先进模型。

    Jun, 2019

  • 一种基于句子压缩的框架用于查询焦点的多文档摘要

    本文提出了一个基于句子压缩技术的任务框架，通过基于解析树的一系列学习模型，设计一种创新的 Beam Search 解码器来高效地找到高概率压缩结果，将语言学动机和查询相关性融入压缩过程中，并在多项指标上显著优于最先进的系统，包括在 DUC 2006 和 2007 摘要任务中分别获得 ROUGE-2 指标上 8.0% 和 5.4% 的改进。

    Jun, 2016

  • 文本摘要的上下文重写

    本文探讨了在提取式摘要中基于全文进行 contextualized rewriting，将其形式化为 seq2seq 问题，引入 group tag 作为解决方案来建立关联，通过基于内容的寻址方法识别提取式摘要，结果表明我们的方法明显优于非上下文的重写系统，无需采用强化学习，在多个提取式摘要生成器上显示出显着提高的 ROUGE 分数。

    Jan, 2021

  • 基于整数线性规划的多句子压缩的多文档主题概括

    本研究针对多文档摘要提出了一种基于整数线性规划模型的生成式摘要的方法，实验结果表明，该方法在信息内容和可读性方面均优于基线和先进的抽取式摘要器，且胜过最近提出的生成式摘要技术。

    Sep, 2016

  • 多句压缩与预算次模最大化的无监督抽象会议摘要

    我们提出了一种新颖的基于图形的框架，用于摘要会议演讲，完全不需要监督和任何注释。我们的工作结合了多种最近的方法的优点，同时解决了它们的弱点。此外，我们利用最近在 NLP 中应用的字嵌入和图形退化的进展，考虑外部语义知识，并设计了自定义的多样性和信息量度量。在 AMI 和 ICSI 语料库上的实验表明，我们的系统改进了现有技术水平。代码和数据可公开获取，我们的系统可以交互式测试。

    May, 2018

  • 增量摘要的样本高效多模态语义增强

    本文提出了一种基于提示的增量视频摘要方法，采用少样本的方式提取语义概念并结合聚类和查询技术提高摘要生成效率，并通过实验证明使用视频中相关实体和动作作为提示能够增强模型生成的摘要。

    Mar, 2023

  • 利用信息提取和压缩进行大规模多文档摘要

    开发了一种基于抽象的总结框架，适用于多个异构文档，该框架独立于标记数据。 与现有的多文件总结方法不同，我们的框架处理讲述不同故事的文档，而不是同一主题的文档。 最后，我们基于 CNN / Daily Mail 和 NewsRoom 数据集构建了总共十二个数据集变体，其中每个文档组都包含大量且多样化的文档，以评估我们的模型与其他基线系统的性能。 我们的实验表明，我们的框架在这种更通用的情况下胜过了现有的最先进方法。

    May, 2022

  • 基于上下文匹配的简单无监督摘要

    本文提出了一种使用语言建模的无监督方法来对句子进行摘要，该方法使用了两种语言模型，并使用专业领域的语言模型来保持持续的上下文匹配，同时保持输出的流畅性，实验表明，该方法具有良好的性能。

    Jul, 2019