MMOct, 2019

利用确定性点过程和情境化表示进行多文档摘要

PDF
TL;DR本研究分析使用深度上下文表示法的确定性点过程在提取式摘要中的应用，表明虽然使用深度表示法有一定效果，但仍需要使用表面指标来更好地识别摘要句。
extractive summarizationdeterminantal point processesdeep contextualized representationssurface indicatorssummary sentences
发现论文，激发创造
  • 改进行列式点过程相似性度量用于多文档提取式摘要

    本研究旨在通过引入胶囊网络的相似度测量来加强基于 DPP 的多文档摘要方法，以解决大量冗余信息和训练数据短缺等难题。我们使用基于表面形式和语义信息的新相似度测量方法来评估句子对之间的冗余程度，并表明我们改进后的 DPP 系统具有更为出色的表现，超越了基准数据集上的强大摘要基线。

    May, 2019

  • 学习行列式点过程

    该论文提出了一种基于特征的条件 DPP 模型的参数化形式，利用其进行了可行的、凸优化的学习，最终应用于文本摘要任务并获得了最先进的结果。

    Feb, 2012

  • 改进用于监督视频摘要的序列行列式点过程

    本文讲述了一种基于顺序行列式点过程（SeqDPP）的有监督视频摘要方法，该方法通过概率分布建模多样性。我们提出了一种大边际算法，以解决 SeqDPP 中的曝光偏差问题。同时，我们还设计了一种新的概率分布，当它被集成到 SeqDPP 中时，产生的模型可以接受用户输入期望的摘要长度。此外，我们还扩展了一个视频摘要数据集，并对该数据集进行了广泛的实验比较。

    Jul, 2018

  • 综合的和抽象的摘要：基于行列式点过程的多样化注意力

    本文通过引入一种称为微观 DPPs 和宏观 DPPs 的方法，提出了一个名为 DivCNN Seq2Seq 的 Diverse Convolutional Seq2Seq 模型，用于生成注重质量和多样性的 attention distribution，从而相比传统模型和强基线模型实现更高的综合性摘要生成。

    Sep, 2019

  • 查询导向的抽取式视频摘要

    本文介绍了一种基于概率模型的自动视频摘要算法，可以根据用户查询关键词和视频内容的重要性综合考虑来选择关键镜头并生成视频摘要，适用于搜索引擎等应用。

    Jul, 2016

  • 更好的高亮：创建子句摘要亮点

    本文旨在通过生成可叠加在原始文档上的概要亮点的方式来减轻读者处理大量文本的负担。我们提出了一种新方法，通过联合确定点过程和深层语境表示来产生自包含亮点，以避免混淆并保持原意的完整性，以展示我们的方法的灵活性和建模能力。该方法在概括数据集上进行了广泛的实验，证明亮点是未来概括研究的有前途的方向。

    Oct, 2020

  • 基于行列式点过程的多答案检索

    本文提出一种基于排列点过程和 BERT 的重新排序方法，综合考虑询问 - 段落相关性和段落 - 段落相关性，从而检索既与查询相关又具备多样性答案的段落。结果表明，我们的方法在 AmbigQA 数据集上优于现有技术。

    Nov, 2022

  • 基于上下文匹配的简单无监督摘要

    本文提出了一种使用语言建模的无监督方法来对句子进行摘要，该方法使用了两种语言模型，并使用专业领域的语言模型来保持持续的上下文匹配，同时保持输出的流畅性，实验表明，该方法具有良好的性能。

    Jul, 2019

  • 深度混合点过程：利用丰富的上下文信息进行时空事件预测

    本研究提出了基于深度混合点过程（DMPP）的点过程模型，用于利用丰富的上下文信息来预测时空事件。模型的密度函数被设计为核函数的混合，其中混合权重由深度神经网络建模，并且将复杂非线性上下文影响到事件发生的自动学习成为可能。与现有方法相比，DMPP 在真实世界数据集上具有更好的预测性能。

    Jun, 2019

  • 利用信息提取和压缩进行大规模多文档摘要

    开发了一种基于抽象的总结框架，适用于多个异构文档，该框架独立于标记数据。 与现有的多文件总结方法不同，我们的框架处理讲述不同故事的文档，而不是同一主题的文档。 最后，我们基于 CNN / Daily Mail 和 NewsRoom 数据集构建了总共十二个数据集变体，其中每个文档组都包含大量且多样化的文档，以评估我们的模型与其他基线系统的性能。 我们的实验表明，我们的框架在这种更通用的情况下胜过了现有的最先进方法。

    May, 2022