ACLJun, 2021

通过生成树状主题引导的句子进行无监督抽象意见摘要

PDF
TL;DR本文提出了一种基于高斯混合模型的新颖非监督式抽象摘要方法。实验结果表明，该方法生成的主题句适合作为观点文本摘要，并且更具信息量和覆盖面。
unsupervised abstractive summarizationgaussian mixturetopic sentencesopinionated textsvariance of latent gaussians
发现论文，激发创造
  • 通过学习潜在的话语结构及其排名实现评论的非监督式神经单篇摘要

    通过递归估计父句子与子句子之间的关系，组成一个无须外部解析器的潜在篇章树，以此进行无监督的单篇产品评论的纯摘要，并介绍了一种句子重要性排序的架构来生成集中在主要评论点的摘要。研究结果表明，该模型在相对长的评论中表现竞争或超越受监督模型的表现，其生成的摘要抽象了整个评论。

    Jun, 2019

  • 可归属且可扩展的意见概括

    我们提出了一种无监督的意见摘要方法，该方法将顾客评论中的句子编码到分层离散的潜空间中，然后基于编码的频率识别常见的意见，并通过解码这些频繁的编码生成抽象摘要和通过选择分配给相同频繁编码的句子生成提取摘要

    May, 2023

  • 无监督意见摘要作为抄袭评论生成

    本研究提出了一种基于变分自编码器的生成模型，可以在无监督学习的条件下，通过控制输入文本的变异程度，生成简明扼要、持有共识观点的评论摘要。

    Nov, 2019

  • 主题扩充生成器用于抽象化摘要

    该研究提出了一种新的解码器，通过条件调整文本和文档的潜在主题来生成摘要，使用 LDA 等主题模型揭示了更多的全局语义信息，使解码器能够访问文本语料库级别的词共现统计信息，实验表明，与现有模型相比，该方法能显著提高 ROUGE 分数。

    Aug, 2019

  • 自监督和可控多文档意见摘要

    本文介绍了一种自我训练的方法，使用控制代码通过 Transformer 架构将多条评论进行无监督抽象摘要，并通过人工评估表明，该方法生成的摘要具有更高的质量和相关性。

    Apr, 2020

  • 由潜在分层文档结构引导的抽象摘要

    提出使用层次感知图神经网络（HierGNN）实现文档结构层次分析的自动摘要模型，在 CNN / DM 和 XSum 数据集上分别取得了平均 ROUGE-1/2/L 为 0.55 和 0.75，在人工评估中也证明了其比基线具有更高的内容相关性和较少的冗余。

    Nov, 2022

  • 抽象化摘要的联合解析与生成

    本文提出了一种新颖的神经网络架构用于抽象概括及句法解析的同时生成摘要，同时还描述了一种新颖的人工评估协议来评估摘要是否符合原始含义，经评估证明该方法在多个摘要数据集上与强基线相比表现出有竞争力的结果。

    Nov, 2019

  • 基于神经网络的观点和论证摘要生成

    用基于注意力机制的神经网络模型，依据重要性进行采样的方法，生成更优于现有方法的电影评论和争论的摘要。

    Jun, 2016

  • 观点摘要的小样本学习

    本文介绍了一种学习无监督条款，在生成模型中引入少量样本来捕获其必要属性的方法，用于生成商品评论等主观性文本的摘要，该方法比以往的提取和抽象方法更有效。

    Apr, 2020

  • Wasserstein 空间中的无监督意见摘要

    本文提出了使用 Wasserstein 距离的无监督抽象摘要模型 WassOS，结合变分自编码器，把语义和句法空间分离并使用他们的 Wasserstein barycenter 得到摘要分布。实验表明，该模型在 ROUGE 指标上表现卓越且对于人类的评估达到了最佳的意思保留效果。

    Nov, 2022