ACLApr, 2019

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

PDF
TL;DR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。
发现论文，激发创造
  • 生成 Web 表格标题

    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。

    Jun, 2018

  • 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

  • 阅读、标记和总结：基于层次神经语义编码器的方法

    本文提出了一种基于文档精华提取的文本摘要方法，并通过引入语言因素和改进神经网络如 LSTMs 和 Neural Semantic Encoders，利用自我强化学习模型进一步提高了文本摘要的质量，实现并超越了文本摘要领域的最佳性能，其中基于分层 NSE 模型的 ROUGE 值提升近 4 个百分点。

    Oct, 2019

  • 文本分段的文档摘要

    本研究旨在利用文献的内在结构，通过建立两个文本分割模型并寻找最优策略，使它们的输出预测投入到一种提取式摘要模型中，实验结果表明，提取式摘要从使用高准确度的分割方法中受益匪浅，特别地，在文档中最相关信息不在开头的情况下，分割有助于减少引导偏差问题。

    Jan, 2023

  • 基于句子和单词提取的神经摘要

    论文提出了一种基于神经网络和连续句子特征的数据驱动型抽取式摘要方法，采用层级文档编码器和基于注意力机制的提取器的通用框架，能够训练不同的摘要模型（提取句子或单词），在大规模语料库上进行实验结果表明，该方法在不需要语言注解的情况下取得了与现有技术相当的效果。

    Mar, 2016

  • 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

  • 滤波半马尔可夫 CRF

    这篇论文介绍了一种新的半马尔可夫条件随机场（Semi-Markov CRF）的变种 —— 过滤式半马尔可夫条件随机场（Filtered Semi-Markov CRF），该方法通过引入过滤步骤来消除无关的片段，降低了复杂性和搜索空间，并在多个实体命名识别基准测试中表现优于传统 CRF 和半马尔可夫条件随机场 (Semi-CRF)，且速度显著更快。我们的方法实现代码已在 Github 上公开。

    Nov, 2023

  • 改进序列到序列模型，使用元启发式方法进行抽象文本摘要

    在信息时代，人们阅读冗长的新闻文章的时间越来越少，提供简洁的信息摘要变得比以往任何时候都更为重要。本文旨在改进现有的架构和模型，针对抽象文本摘要进行微调超参数，并尝试特定的编码器 - 解码器组合，以提高摘要生成的效果。

    Mar, 2024

  • 利用图变换网络对复杂文档布局中的文本语义进行建模

    本文提出了一种基于图形表示的模型，并演示了我们不仅可以跨文档检索语义相似的信息，而且我们生成的嵌入空间也捕获了有用的语义信息，类似于仅适用于文本序列的语言模型。

    Feb, 2022

  • 通过从摘要中进行分层监督进行长文本生成的总结，概述和阐述

    提出了一种新的生成长文本的方法 SOE，它采用了概述、大纲和扩展的方法来为每个段落生成高效的文本，并通过重构策略无监督地提取每个段落的摘要以避免繁琐的总结过程。

    Oct, 2020