EMNLPAug, 2019

NCLS: 神经跨语言摘要

PDF
TL;DR通过多任务学习、循环翻译等方法，构建神经网络模型用于实现跨语言文本摘要，实验结果证明该模型较传统模型有显著提升。
cross-lingual summarizationneural cross-lingual summarizationmulti-task learninground-trip translation strategydataset
发现论文，激发创造
  • 跨语言摘要的混合语言预训练

    使用混合语言预训练的交叉语言文摘模型，在没有任务特定组件的情况下利用单语数据提高语言建模的效果，实现了高效的跨语言文摘。在 Neural Cross-Lingual Summarization 数据集中，我们的模型在英汉和汉英模式下相比现有技术，分别实现了 2.82 和 1.15 ROUGE-1 分数的提升。

    Oct, 2020

  • 神经跨语言摘要变分分层模型

    本文提出了基于条件变分自编码器的层次模型，用于将一个语言的文档转化为另一个语言的摘要，从而解决了直接进行交叉语言摘要的挑战，实验证明这种方法比现有的方法更为有效和优越。

    Mar, 2022

  • ClueGraphSum: 让关键线索指导跨语言概括式摘要

    该研究提出了一种线索引导的跨语言自动摘要方法来提高自动生成摘要的质量，并针对手写数据进行了实验评估，取得了较好的结果。

    Mar, 2022

  • 长文档跨语言摘要

    本文介绍了长文档跨语言摘要的研究现状，并构建了 Perseus 数据集，评估了不同的从结构和端到端方案，结果表明端到端方案卓越地胜过利用复杂机器翻译系统配备的管道模型。

    Dec, 2022

  • 使用压缩率统一跨语言摘要和机器翻译

    通过提出 Cross-lingual Summarization with Compression rate (CSC) 的创新任务，并通过有效的数据增强方法来产生不同压缩率的文档摘要对，从而提高 Cross-Lingual Summarization 的性能。

    Oct, 2021

  • 再探跨语言摘要：基于语料库的研究与改进注释的新基准

    现有的跨语言摘要（CLS）工作往往通过直接翻译预注摘要来构建 CLS 语料库，可能会包含摘要和翻译过程中的错误。为了解决这个问题，我们提出了 ConvSumX，这是一个跨语言对话摘要基准，通过一个新的注释模式明确考虑源输入上下文。ConvSumX 包括两个子任务，涵盖了三个不同的语言方向。我们对 ConvSumX 和三个广泛使用的手动注释的 CLS 语料库进行了详尽的分析，实验证明 ConvSumX 更加忠实于输入文本。此外，基于相同的观点，我们提出了一个 2 步方法，该方法将对话和摘要作为输入以模拟人工注释过程。实验结果表明，2 步方法在 ConvSumX 上超过了强基线模型，并在自动和人工评估下显示出优势。分析表明，源输入文本和摘要对于建模跨语言摘要至关重要。

    Jul, 2023

  • WikiMulti: 用于跨语言摘要的语料库

    介绍了基于维基百科 15 种语言文章的新日数据集 - WikiMulti， 用于跨语言摘要生成 (CLS) 任务，并在该数据集上评价了现有的跨语言抽象性摘要方法的性能。

    Apr, 2022

  • 跨语言摘要调查

    本研究针对跨语言摘要生成任务进行了全面的系统综述，涵盖数据集、方法和挑战等方面，以便为研究人员提供起点和新想法。

    Mar, 2022

  • 实现多语言和跨语言摘要统一化

    本文提出了一种多对多摘要（M2MS）的通用框架，可以通过预培训的 Pisces 模型实现任何语言的文档摘要生成，特别在零样本学习中性能显著优于现有算法。

    May, 2023

  • 有限平行资源下的跨语言抽象摘要

    使用一种多任务框架和共享解码器的方法，跨语言摘要的跨语言资源匮乏问题得以解决，此方法名为 MCLAS。通过 MCLAS，实验表明其可以在有限的跨语言资源下，显著优于三种基准模型。

    May, 2021