MMOct, 2021

TLDR9+：一项大规模资源，用于极端压缩社交媒体帖子

PDF
TL;DR本文介绍了 TLDR9 +—— 一个从 Reddit 讨论论坛中提取的包含 900 万多个训练实例的大规模摘要数据集，旨在进行极端摘要，并通过人工注释蒸馏出更细粒度的 TLDRHQ 数据集，进一步点出我们所提出的数据集上不同的最先进的摘要模型。
summarization systemstraining datalarge-scale summarization datasetstldr9+state-of-the-art summarization models
发现论文，激发创造
  • 科学文献的极端概括

    介绍了一种名为 TLDR 生成的新型极端摘要可用于科学论文，需要专家背景知识和对复杂领域特定语言的理解。使用 CATTS，结合标题作为辅助训练信号的 TLDR 生成学习策略，在自动化指标和人工评估下均表现出更好的效果。

    Apr, 2020

  • WikiHow：一个大规模的文本摘要数据集

    本研究介绍了一种基于在线知识库的数据集 WikiHow，包含超过 230,000 个文章和摘要对，用于评估现有的序列到序列模型在不同写作风格、更高语义抽象度的摘要中的性能。

    Oct, 2018

  • LCSTS: 一个大型的中文短文本摘要数据集

    本文介绍了一个由新浪微博构建的大型中文短文本摘要数据集，包含超过 200 万条中文短文本和对应的短摘要，并通过该数据集引入了基于递归神经网络的摘要生成方法，取得了良好的效果，该方法不仅显示了所提出数据集在短文本摘要研究中的有用性，也为后续研究提供了基线。

    Jun, 2015

  • 使用多层记忆网络对 Reddit 帖子进行抽象总结

    通过 Reddit TIFU 数据集，我们提出了一个多层记忆网络模型用于抽象总结，并通过客观评估以及用户研究等手段发现该模型高度抽象化，优于现有的总结模型。

    Nov, 2018

  • NarraSum：大规模抽象叙述摘要数据集

    该论文提出了一个名为 NarraSum 的大规模叙述性摘要数据集，在多种影视类型中收集了 12.2 万个叙述文档及其对应的提取式摘要。实验证明，与最先进的摘要模型相比，人类在 NarraSum 上存在较大的性能差距。我们希望该数据集能够促进未来的摘要研究以及自然语言理解和生成的更广泛研究。

    Dec, 2022

  • XL-Sum：针对 44 种语言的大规模多语言抽象摘要

    该研究介绍了一份名为 “XL-Sum” 的全面而多样化的数据集，其中包含来自 44 种语言的 100 万篇新闻文章及其摘要，旨在支持跨语言抽象文本摘要的未来研究工作，且在许多语言上可实现尤其高的 ROUGE-2 分数。

    Jun, 2021

  • 叙述 XL: 用于长期记忆模型的大规模数据集

    提出了一种通过 GPT 3.5 从 Project Gutenberg 中的书籍总结场景并创建阅读理解问题的方法，用于创建可以训练和评估长期记忆语言模型的数据集，并经过人工和模型的实验验证，证明该数据集可以诊断模型的记忆容量，并且不是现代语言模型的简单问题。

    May, 2023

  • SciReviewGen：用于自动文献综述生成的大规模数据集

    通过 SciReviewGen 数据集，我们评估了最近基于 Transformer 的文献综述生成模型在文献综述生成任务上的表现，其中包含用于文献综述生成扩展的 Fusion-in-Decoder 模型，并且发现自动生成的摘要已经可以和人工撰写的综述媲美，但是也揭示出文献综述自动生成的挑战，例如幻觉和缺乏详细信息。

    May, 2023

  • 大规模语言模型在视频摘要预训练中的扩展

    利用大型语言模型生成大规模的视频摘要数据集，提出了一种新的视频摘要模型，并呈现了一个由专业人员注释的高质量摘要的基准数据集，实验证明该方法在多个基准测试中达到了最新的最佳效果。

    Apr, 2024

  • MentSum：探索在线心理健康文章摘要的资源

    为了帮助心理医生快速处理心理健康在线帖子，我们介绍了 MentSum 数据集，包含超过 24k 来自 43 个心理健康 subreddit 的用户帖子和 TLDR 小结，并进一步评估了抽取和抽象式自动摘要方法。

    Jun, 2022