WWWJun, 2018

生成 Web 表格标题

PDF
TL;DR本研究提出了一种基于序列生成模型和抽取的文本片段的表格标题生成方法，在少于 1 万个示例的训练下超过了现有的方法，接近群众智慧标题的质量，并成为处理表格标题文本生成的新的最佳方法。
table-based web applicationssequence-to-sequence neural network modeltext snippetscopy and generation mechanismshuman evaluation
发现论文，激发创造
  • 用户生成视频的标题生成

    本研究提出了两种方法扩展现有视频的字幕生成模型以生成视频标题，即通过高亮检测器使视频字幕生成模型具有敏感性并同时进行标题生成和视频亮点定位训练，以及通过增强句子多样性，用大量无对应视频的句子训练模型，并在 18100 个用户生成的视频和标题（VTW）数据集和 M-VAD 数据集上验证了本研究的方法，均获得了最佳效果。

    Aug, 2016

  • 神经网络简化标题提高科学文章可见性

    本文讨论用于帮助科学内容提供商提供推荐工具的方法，该方法通过利用 ResearchGate 的统计数据来偏置训练数据集，并应用专门设计的后处理步骤到神经序列到序列模型中，以产生具有不同信息水平的标题的解决方案，以达到吸引人的同时也具有透明性的平衡。

    Apr, 2019

  • 电商页面多语言神经标题生成

    本篇研究使用序列到序列模型和迁移学习的方法生成高 / 低资源语言的标题，来解决电子商务网站自动生成的浏览页需要大量标题的问题。此举能够应用于多语言，尤其是低资源法语语言的标题生成。

    Apr, 2018

  • 基于半马尔可夫条件随机场的神经体节标题生成改进人类文本理解

    本文提出了一种在低资源环境下生成段落标题的技术，采用具有无监督字表示如 ELMo 或 BERT 的半马尔可夫条件随机场的压缩方法，将效果与高资源的序列到序列模型相媲美，而在低资源情况下表现更为出色，对阅读能力较差的人群的正面效果尤为明显。

    Apr, 2019

  • 文本转表：一种新的信息提取方式

    本文研究了信息提取的新问题 -- 文本到表格，通过学习文本 - 表格配对数据，训练模型以生成主要内容的表格。我们将其形式化为序列到序列问题，使用预训练语言模型 fine-tuned 后的 seq2seq 模型完成任务，并通过引入表格约束和表格关系嵌入来改进性能。实验结果显示，我们的方法可以进一步提高基线模型和关系提取 / 命名实体提取等传统方法的性能，论文还讨论了相关挑战。

    Sep, 2021

  • 结构感知 Seq2seq 学习的表格到文本生成

    本文提出一个新结构的 seq2seq 模型，包含场门编码器和生成器，以及双重注意力机制，通过编码和解码阶段实现了对表格内容和结构的建模，从而实现了表格到文本的生成任务，并在 WIKIBIO 数据集上取得了优于基线的结果。

    Nov, 2017

  • 一种基于用户搜索日志数据的多任务学习方法，用于提高产品标题压缩

    本研究提出了一种新的多任务学习方法，利用用户搜索日志数据来提高产品标题压缩。采用指针网络序列到序列方法进行标题压缩，并采用关注机制的关注编码器解码器方法生成用户搜索查询。

    Jan, 2018

  • 基于结构化数据的订单规划神经文本生成

    研究人员提出了一种基于训练有素的神经网络的文本生成模型，以便从结构化数据中（例如表格）生成自然文本，该模型能够捕捉不同字段之间的关系，以生成更流畅的文本。

    Sep, 2017

  • 文本到表格生成的序列 - 序列与集合模型

    本文介绍了一种用于文本到表格生成的新模型，该模型在考虑到多行中的大多数组合不敏感的情况下，首先采用文本编码器编码输入文本，再加入了一种表头生成器来以序列生成的方式输出表头，之后再使用具有可学习的行和列嵌入的表体生成器并行生成一组表身行，实验结果表明，此模型优于基线，达到了公认的数据集上的最佳性能。

    May, 2023

  • 基于标题引导的关键词生成编码

    介绍了一种新的标题引导网络 (TG-Net) 模型，该模型通过编码器 - 解码器架构和两个新特性：（i）标题作为类似查询的输入，（ii）标题引导编码器将有关信息从标题收集到文档的每个单词中，以解决自动关键短语生成任务中标题对整个文档的引领作用被忽略的问题。该模型在一系列 KG 数据集上的实验表明，其性能优于现有的各种模型，特别是对于标题长度比率非常低或非常高的文档。

    Aug, 2018