COLINGApr, 2020

我们应该在哪个层面上提取？关于可提取性文档摘要的实证分析

PDF
TL;DR本研究发现在提取文档内容时，提取全句存在不必要和冗余的问题。我们提出了一种基于成分句法分析树的子句单元提取方法，并采用神经萃取模型进行实验分析，发现提取子句单元在人工和自动化评估中表现优异，为未来研究提供了启示。
extractive methodsdocument summarizationsub-sentential unitsneural extractive modelconstituency parsing tree
发现论文，激发创造
  • 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

  • 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

  • 神经潜在抽取式文档摘要

    本篇文章提出一种基于潜变量的抽取式文本摘要模型，通过使用句子作为潜变量和检索金标准摘要来改善基于启发式标签的抽取式模型，并在 CNN/Dailymail 数据集上得到了良好的结果。

    Aug, 2018

  • 科学文章的基于序列的摘要提取

    通过研究，本文在科学文章的有监督摘要提取方面展现了基于仅使用文档内文本的简单序列标记模型对简单分类模型的高效结果，并对句子级特征进行了最小化改进。通过进一步分析，我们展示了序列模型依赖文档结构且取决于学科领域的潜力。

    Apr, 2022

  • 神经抽取式文本摘要与句法压缩

    本文提出了一种基于联合提取和句法压缩的神经模型用于单文档摘要，该模型选择文档中的句子，通过句法分析识别可能的压缩，并用神经模型评分这些压缩以生成最终的摘要，实验结果表明，该模型在 ROUGE 评估中表现良好，能够达到与最先进系统相当的性能，并且其输出一般保持语法正确。

    Feb, 2019

  • 基于 BERT 的分层图掩蔽的事实级提取式摘要

    通过提取基于事实的语义单元，并将多级粒度的文本信息结合到模型中，并使用层次图表结合 BERT 模型，我们在 CNN/DailyMail 数据集上获得了最好的结果。

    Nov, 2020

  • 具有变长摘要的教育层面抽取式摘要

    该论文研究了基于 Elementary Discourse Unit 的提取式文本摘要模型，从理论和实验角度出发论证了该模型相对于传统模型在自动评估得分和人工评估方面的优势，并在数据集上取得了更好的 ROUGE 得分，同时也保持了很好的语法和可读性。

    Oct, 2022

  • 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

  • 法律案件文档摘要：抽取式和提炼式方法及其评估

    本文对不同类型的文本摘要模型（如抽取式与生成式模型）在法律文本中的表现进行分析，特别是将最近的基于 transformer 的生成式摘要模型应用于法律文本摘要时，由于法律文档非常长，必须考虑这些模型的限制。同时，本文还提供了在针对法律文档进行摘要系统评估方面的一些有用结论。

    Oct, 2022

  • 下一步是什么？基于下一句预测的提取式摘要

    使用 NEXTSUM 方法进行文章自动摘要，通过模型预测下一个句子是否应该包含在摘要中来兼顾信息的完整性和紧凑性，实验结果表明比传统方法表现更好。

    Jan, 2019