EMNLPSep, 2019

一个面向实体的抽象摘要框架

PDF
TL;DR该研究提出了一种名为 SENECA 的抽象概括框架，利用实体信息生成信息丰富且连贯的摘要，该框架采用增强学习连接两个部分，即实体感知内容选择和抽象产生，并通过奖励训练以增加连贯性、简洁性和清晰度，自动和人工评估表明，该模型在 ROUGE 和新闻数据集上优于先前的最新技术，并且其产生的摘要较为信息丰富和连贯。
abstractive summarizationsenecaentity informationcoherencereinforcement learning
发现论文，激发创造
  • 生物医学文献的面向实体和事实的抽象摘要生成

    本文提出了一种基于实体驱动事实感知的框架，用于训练端到端的基于 Transformer 的编码 - 解码模型以摘要生物医学文章。在使用知识库中的命名实体和事实进行指导的情况下，EFAS 能够实现比标准源文档到摘要设置更准确的实体级事实准确性、N-gram 新颖性和语义等价性，而 ROUGE 指标的表现相当。

    Mar, 2022

  • 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

  • 一种源代码摘要的抽取和生成框架

    本研究提出了一种新的抽取式 - 生成式混合框架来自动生成代码摘要，该框架结合了抽取式方法和生成式方法，能够提取关键的事实性细节，并生成简明、类似于人工撰写的自然语言摘要，实验证明 EACS 显著优于现有的技术，包括 BLEU，METEOR 和 ROUGH-L 等三个广泛使用的评估指标。

    Jun, 2022

  • 神经抽象总结的实体通识表示

    本文研究了使用链接实体以指导神经文本摘要器生成简洁更好摘要的方法，并提出了 Entity2Topic (E2T) 方法。通过 E2T 应用于基于 Aufmerksamkeit 机制的简单序列到序列模型，在 Gigaword 和 CNN 摘要数据集上至少获得 2 个 ROUGE 点的显著性能提升。

    Jun, 2018

  • 基于知识图谱的语义驱动填空奖励抽象摘要生成

    本文介绍了 ASGARD，这是一个新颖的带有图形增强和基于语义驱动奖励的抽象摘要框架，使用双编码器和知识图形提高了生成的摘要的信息性能，并取得了对新闻文本具有竞争力的性能。

    May, 2020

  • 基于增强学习的选句重写快速生成摘要

    本论文提出一种快速、精准的摘要生成模型，该模型首先选择重要句子，然后使用新颖的基于句子级的策略梯度方法实现两个神经网络之间的其它计算，最后生成简洁的总体摘要。该模型在 CNN/Daily Mail 数据集上的表现达到了最新的最佳水平，并且具有更高的抽象性得分，同时也展示出相较于之前的长段落编码 - 解码模型，更快的推断速度和训练收敛速度优势，而且在 DUC-2002 数据集上表现更优。

    May, 2018

  • 可控抽象摘要

    本文提出了一种神经摘要模型，能够通过简单而有效的机制实现用户对文本长度、风格、感兴趣的实体等高级属性的控制，以生成符合用户需求的高质量摘要，并在 CNN-Dailymail 数据集上优于现有的自动化系统和人工评价。

    Nov, 2017

  • 探索可解释性选择以控制抽象摘要

    本篇研究发展了一个名为 ESCA 的模型，该模型通过开创性的选择 - 生成框架实现了文档摘要，能够以更好的性能应用于 CNN/Daily Mail 和 NYT50 等基准数据集。

    Apr, 2020

  • 文本摘要中的抽象化改进

    提出使用上下文相关网络和预训练的语言模型来提高抽象文本摘要的生成水平和使用新颖度度量来优化生成的摘要，从而实现比现有方法更高水平的摘要生成。

    Aug, 2018

  • SummAE: 使用长度无关自编码器进行零样本抽象文本摘要

    本文提出一种基于神经网络的端到端模型，实现了零样本抽象文本摘要，并基于 ROCStories 数据集引入了基准任务 ROCSumm。模型 SummAE 由去噪自编码器构成，通过将句子和段落嵌入到一个共同的空间中来生成段落的摘要。实验表明该模型可以比抽取式文本摘要技术更好地进行抽象文本摘要。

    Oct, 2019