决策导向摘要
BayeSum 是一种基于贝叶斯模型的用于句子提取的模型,可以利用多个相关文档来增强查询词信息,处理短查询不足问题,并得到了最先进的结果,在信息检索框架中可以被理解为一种验证的查询扩展技术。
Jul, 2009
该研究提出了一种基于文献摘要的新方法来预测临床试验干预措施的有效性。通过抽取摘要中表达干预措施有效性的句子,生成一个简洁的摘要,用于训练 BERT 分类器以预测干预措施的有效性。实验结果证明了该方法的有效性。
Apr, 2022
本文提出了基于 ILP 框架提取每个文档集的一组候选摘要,然后利用排名 SVM 进行摘要重新排名的方法,结果通过 DUC 基准数据集验证了方法的有效性和鲁棒性。
Jul, 2015
TrialsSummarizer 是一个基于神经多文档摘要系统的自动摘要系统,它可以检索与查询指定的条件、干预和结果匹配的随机对照试验出版物,并对这些研究进行排名。它提供了两种体系结构:基于 BART 的标准序列到序列模型和旨在为最终用户提供更大透明度的多头体系结构。但是,这些模型都存在引入不受支持语句的倾向,不适用于当前领域。所提出的架构可以帮助用户验证输出,使用户能够将生成的令牌追溯到输入。
Mar, 2023
本文提出了一种摘要框架,通过将目标的所有评论压缩为多个密集向量以代替传统的前置筛选步骤,从而最大化地保留所有信息,进而生成更具信息量的摘要,并且采用零样本技术,能够有效地生成根据用户需求定制的摘要,实验结果表明了该模型在 Rotten Tomatoes 数据集上的优越性能。
Sep, 2019
文章介绍了一种 “Focus Attention Mechanism” 方法,用于促进生成与输入的主题相似的数据摘要,同时提出了一种 “Focus Sampling” 方法,实现多样化生成,实验表明这种方法比其他采样方法更有效。
May, 2021
本研究提出了一种在法律决策摘要中提取摘要的技术,该技术利用有限的专家注释数据在低资源环境下操作。我们测试了一组使用顺序模型定位相关内容的模型,并利用最大边际相关性来处理冗余以组合摘要。我们还展示了一种隐式方法来帮助培训我们的建议模型生成更多有信息量的摘要。我们的多任务学习模型变体通过将修辞角色识别作为辅助任务来进一步提高摘要器的性能。我们对包含来自美国退伍军人委员会的法律裁决的数据集进行了广泛的实验,并对我们的模型进行了定量和专家排名评估。我们的结果表明,所提出的方法可以实现 ROUGE 得分与与专业提取的摘要相匹配的得分。
Oct, 2022
本研究中,我们探讨了使用现代神经模型从多个试验报告中自动生成叙述性生物医学证据摘要的问题,并使用 Cochrane 协作成员先前进行的系统性评论的相关文章摘要的抽象概述来评估现代神经模型进行抽象总结的效果。我们征求了医学专业人员对生成的摘要进行评估,并发现现代总结系统产生了一致流畅和相关的概述,但并非总是准确。我们提出新的方法通过明确划分传达关键发现的输入片段、强调大规模和高质量试验报告等领域特定的模型来信息摘要,发现这些策略适度提高了生成摘要的准确性。最后,我们提出了一种新的方法来自动生成叙述性证据综述的事实性评估,使用可推断报道发现方向的模型。
Aug, 2020
自动摘要是降低文本文档长度的过程,以生成概述,保留原始文档的最重要的要点。我们通过推荐图像和生成包含关联和情感的意见摘要,研究了两个问题。我们使用概率模型和词相似性启发式方法生成图像标题和提取关键短语,并借助相关反馈机制重新排序这些关键短语。我们使用 Rank Aggregation 和相关反馈方法来改进图像检索,同时我们还提出一组子模复杂函数用于意见摘要,以平衡压缩需求和情感检测需求,生成和文档情感和摘要情感之间有良好相关性且 ROUGE 得分优秀的摘要。我们还比较了所提出的子模复杂函数的性能。
May, 2024