MMOct, 2021

HowSumm：基于 WikiHow 文章的多文档自动摘要数据集

PDF
TL;DR本篇文章提出了 HowSumm 这一全新的数据集，可用于针对查询的多文档摘要 (qMDS) 任务，其目标是从一组来源生成可操作的指令。通过从 wikiHow 网站文章和它们引用的来源中提取数据创建了该数据集，并讨论了与其他摘要语料库的不同之处，实验结果表明，提取式和抽象式摘要模型在该数据集上的性能仍有提升空间。
query-focused multi-document summarizationhowsumm datasetactionable instructionseducational and industrial scenariosextractive and abstractive summarization
发现论文，激发创造
  • 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

  • AQuaMuSe: 自动为基于查询的多文档摘要生成数据集

    本文提出了一种名为 AQuaMuSe 的可扩展方法，用于自动从问答数据集和大型文档语料库中挖掘基于查询的多文档摘要示例，其中包括种类独特的可提取和抽象式摘要数据集，并提供了详细的数据集评估和基线摘要模型实验。

    Oct, 2020

  • SQuALITY: 用较困难的方式构建长文摘要数据集

    通过请高质量合同工人阅读原始文档并写出原始摘要，建立了 SQuALITY 数据集，该数据集的第一篇文章概述了主要内容，其余四篇回答了具体问题，实验证明现有自动摘要评估指标不是优秀的质量指标。

    May, 2022

  • MultiSum：用于视频的多模式摘要和缩略图生成的数据集

    通过创建包含视频和文本内容的人工验证摘要、17 个主分类和 170 个子分类的全面的数据集 MultiSum dataset，本文针对现有公共 MSMO 数据集的限制进行研究，进行了基准测试，并推出了数据收集工具和开放源代码资源以促进透明度和加速未来发展。

    Jun, 2023

  • 从维基百科当前事件门户网站获取的大规模多文档摘要数据集

    此文献中，研究人员通过利用维基百科当前事件门户网站，构建了一个新的多文档摘要数据集，以训练多种最新 MDS 技术的监督型模型，并呈现了定量分析的结果。

    May, 2020

  • 多篇文档摘要如何 “多”?

    本文介绍一种用于评估多文档摘要生成模型及数据集中数据分散程度的自动化度量方法，并检验几个流行的多文档摘要数据集，结果表明某些数据集没有利用多文档信息，提出应用该度量方法评估数据集和模型的性能。

    Oct, 2022

  • CQASUMM: 建立社区问答摘要语料库的参考文献

    本文介绍了第一个庞大的 CQA 自动摘要数据集 CQASUMM，利用其进行了一项新任务 —— 社区问答摘要。现有的多文档自动摘要技术不能很好地应用于社区问答，因为社区问答具有更高的变异性、与事实相悖的意见和更少的重叠，因此引入了 OpinioSumm—— 一种新的多文档自动摘要方法，其在该数据集上的表现优于最佳基准 4.6％的 ROUGE-1 得分。

    Nov, 2018

  • Multi-News：一个大规模的多文档摘要数据集和抽象分层模型

    本文介绍了首个大规模多文档新闻数据集 Multi-News，并提出一个将传统提取式摘要模型与标准单文档摘要模型结合的端到端模型，取得了有竞争力的结果。我们在 Multi-News 上比较了几种方法，并希望我们的数据和代码能促进多文档摘要领域的进展。

    Jun, 2019

  • 生成大量学术论文结构化摘要：数据集和方法

    提出了一种名为 CAST 的归类对齐和稀疏变换器的自动摘要方法，使用 BigSurvey 数据集，将超过 7000 份调查论文的摘要作为目标摘要，430,000 篇参考论文的摘要作为输入文档，赢得了各种高级自动摘要方法的比较实验。

    Feb, 2023

  • PeerSum：用于抽象多文档摘要的同行评审数据集

    本文介绍了 PeerSum，这是一个使用科学出版物的同行评审的新 MDS 数据集。与现有的 MDS 数据集不同，我们的摘要（即元评审）具有高度抽象性，是源文件的真实摘要（即评论），并且还包括源文件之间的争议。我们发现，目前最先进的 MDS 模型在生成 PeerSum 的高质量摘要方面存在困难，提供了新的研究机会。

    Mar, 2022