AAAINov, 2018

DeepChannel: 基于对比学习的显著性评估用于文本摘要提取

PDF
TL;DRDeepChannel 模型是一种强大、高效、可解释的神经网络模型，结合了注意力机制和对比性训练策略，能够从文本中提取最重要的信息，表现出强大的鲁棒性和数据高效性。
deepchannelextractive document summarizationattention-based deep neural networkcontrastive training strategydata efficiency
发现论文，激发创造
  • 深度强化学习模型用于摘要生成

    提出了一种基于编码器 - 解码器和 RNN 的自注意力神经网络模型，通过组合监督和强化学习来训练和生成连贯性和可读性更强的长文摘要，与目前最先进模型相比，在 CNN / Daily Mail 数据集上取得了 41.16 的 ROUGE-1 得分，并且人工评估表明我们的模型产生了更高质量的摘要。

    May, 2017

  • 基于关注要点和蕴含的多目标增强摘要

    通过强化学习方法，采用 ROUGESal 和 Entail 两种新的奖励函数优化传统指标 ROUGE，实现多重奖励同时优化的方式来提高摘要生成的效果。实验证明，该方法在 CNN/Daily Mail 数据集上达到了新的最高性能水平，并在测试集合 DUC-2002 中有很大的提高。

    Apr, 2018

  • 通过深度强化学习学习提取连贯摘要

    本文提出了一种名为 RNES 的增强型神经汇总模型，在使用无标签数据的情况下，通过机器学习的方式训练该模型以优化汇总的连贯性和信息重要性，并通过实验证明了 RNES 的性能优于现有的基准模型，达到了 CNN/Daily Mail 数据集的最新性能。

    Apr, 2018

  • 用强化学习为抽取式摘要排序

    提出了一种用于单文档大意提取的全新算法，能够通过强化学习目标全局优化 ROUGE 评估指标，并在 CNN 和 DailyMail 数据集上进行了实验，展示它在人工和自动评估中均优于现有抽取和生成式提取系统的神经大意提取模型。

    Feb, 2018

  • 无监督抽取式摘要中句子相似度估计的改进

    研究了两种新策略以提高自动抽取摘要的句子相似度估计，其中对比学习优化了文本级目标，同时使用互相学习增强句子相似度估计与句子重要性排名之间的关系。实验结果显示了策略的有效性。

    Feb, 2023

  • 增强文档摘要的编者网络

    提出了一种全新的编辑网络的思想 - 一种混合抽取 - 生成式摘要的方法，应用于给定抽取的句子序列的后处理步骤中。我们的网络试图模仿人类编辑在摘要过程中的决策过程。使用 CNN / DailyMail 数据集，我们演示了我们的方法相对于最先进的单一抽取或生成式基准方法的有效性，进一步提出了一种基于新颖的软标签方法的 “编辑器” 的有效培训方法。

    Feb, 2019

  • 联合学习打分和选择句子的神经文档摘要

    在这篇论文中，我们提出了一种新颖的端到端神经网络框架，通过联合学习对句子进行评分和选择来实现摘要提取。在 CNN / Daily Mail 数据集上的实验证明，我们的方法比现有的抽取式摘要模型表现出更好的效果。

    Jul, 2018

  • SumHiS: 挖掘隐藏结构的提取式摘要

    我们介绍了一种利用文本的隐藏聚类结构进行摘要提取的新方法。在 CNN/DailyMail 数据集上的实验结果表明，我们的方法生成的摘要比提取式和抽象式方法更准确，并在 ROUGE-2 指标方面取得了超过先前方法 10% 的最新成果。此外，我们还展示了文本的隐藏结构可以解释为不同的主题。

    Jun, 2024

  • DiffuSum: 借助扩散增强的抽取式摘要生成

    这篇论文提出了一个新的提取性摘要范式，名为 DiffuSum，通过扩散模型直接生成所需的摘要句子表示，并根据句子表示匹配来提取句子，并通过多类对比损失对表示多样性进行优化，实验结果表明 DiffuSum 在 CNN / DailyMail 上实现了新的最先进的提取结果，ROUGE 得分为 $44.83 / 22.56 / 40.56$，并且在其他两个数据集上的实验结果也表明了 DiffuSum 的有效性。

    May, 2023

  • 自动新闻摘要

    本研究论文针对新闻文本自动摘要的抽取和生成方法进行了广泛的比较评估，重点分析了 ROUGE 分数。研究使用 CNN-Daily Mail 数据集，包括新闻文章和人工生成的参考摘要。通过 ROUGE 分数评估生成摘要的效果和质量，再将表现最佳的模型整合到 Web 应用程序中，评估其在真实世界中的能力和用户体验。

    Oct, 2023