ACLOct, 2020

GSum: 一种用于引导神经抽象摘要的通用框架

PDF
TL;DR本文提出了一个通用可扩展的引导式摘要框架（GSum），可以有效地将不同种类的外部引导作为输入，通过实验表明了该模型在使用突出显示的句子作为引导时，在 4 个流行的摘要数据集上实现了 ROUGE 的最优性能，同时我们还展示了我们的引导模型可以生成更忠实的摘要，并展示了不同类型的引导所生成的不同摘要，为学习模型提供了一定程度的可控性。
neural abstractive summarizationcontrolgsumexternal guidancefaithful summaries
发现论文，激发创造
  • GUMSum：英文抽象摘要的多语种数据和评估

    本文提出了 GUMSum 数据集，旨在评估抽象概括的英语摘要。该数据集高度约束，注重替换潜力、事实和忠实度，结果显示 GPT3 达到了令人印象深刻的得分，但仍然表现不如人类，并且不同类型的错误揭示了生成好概括的挑战。

    Jun, 2023

  • AugSumm：利用大型语言模型生成的合成标签进行通用语音摘要

    通过使用大型语言模型（LLM）作为人工标注者的代理，本研究提出了一种名为 AugSumm 的方法来生成用于训练和评估的增广摘要，通过在 ChatGPT 上生成的合成摘要验证其质量，并在训练和评估中利用这些合成摘要，实验证明在合成摘要上进行预训练并在 GT 摘要上进行微调可以改善 ROUGE-L 指标。

    Jan, 2024

  • 通过摘要对偶和显式大纲控制增强生成

    提出了一种基于总结增强的两阶段生成框架，并提出了一种新颖的显式概要控制方法，用于更有效地利用生成的概要。

    May, 2023

  • GoSum：基于强化学习和有机化图论的长文本摘要

    本文提出了一种基于图谱和强化学习的模型 GoSum 来对包含多个篇章的科研文章进行摘要生成，该模型在两个公开数据集上取得了最优结果，验证了结果的鲁棒性。

    Nov, 2022

  • RetrievalSum：基于检索增强的摘要生成框架

    该论文提出了 RetrievalSum，一种新颖的检索增强抽象概括框架，包括一个稠密的 Retriever 和一个 Summarizer，可以通过检索相关的用作补充输入的实例来帮助生成模型更全面地理解文本，并在 BillSum 上取得了最新的业界最佳成绩。

    Sep, 2021

  • MeanSum: 一种用于无监督多文档抽象摘要的神经模型

    本文提出了一种基于神经网络的无监督自动编码器架构，用于进行商品评论的抽象摘要，通过自动化指标和人类评估表明，该模型生成的摘要高度抽象、流畅、相关，并代表了输入评论的情感倾向。

    Oct, 2018

  • 将读者评论纳入抽象文本摘要

    本文介绍了一种采用读者评论辅助生成 “主要方面” 摘要的方法 —— 读者感知的生成式摘要。使用对抗思想和神经网络框架，作者提出了一个名为 RASG 的模型，该模型克服了评论的非正式和嘈杂的挑战，并取得了表现优异的成果。

    Dec, 2018

  • 生成对抗网络用于抽象文本摘要

    本文提出了一种针对抽象文本摘要的对抗性过程，在其中同时训练了生成模型和判别模型，并使用增强学习构建了生成器，该生成器可以将原始文本作为输入并预测抽象摘要。我们还构建了一个判别器来区分生成的摘要和真实值。经过广泛的实验证明，我们的模型在 CNN / Daily Mail 数据集上达到了具有竞争力的 ROUGE 分数。从质量上看，我们证明了我们的模型能够生成更多抽象、易读和多样化的摘要。

    Nov, 2017

  • 探索面向查询的摘要的神经模型

    本文系统地探讨了神经网络方法在以查询为中心的自动文摘 (QFS) 中的应用，涉及了两种分类：抽取式 - 生成式和端到端模型，并提出了两种模型扩展。这些方法在 QMSum 数据集上实现了最先进的性能，并通过人类评估实现了更全面和基于事实的自动文摘。

    Dec, 2021

  • 具有草图监督的可控抽象对话摘要

    本文针对抽象对话摘要的质量和粒度控制问题，提出了一种包含两个主要组成部分和阶段的模型，实现了基于伪标注疑问代词类别和基于组成句法分析提取关键词短语生成初步摘要，并通过自动确定或控制源文本中不同文本片段预测和突出显示给定对话的生成摘要句子数量。在最大的对话摘要语料库 SAMSum 上表现出优越性能，达到了 50.79 的 ROUGE-L 评分，并展示了竞争性高的人类评估结果和可控制的效果。

    May, 2021