ACLDec, 2021

多文档摘要的命题级聚类

PDF
TL;DR本研究重新审视单词聚类方法，通过将子句命题分组，从而能更精确地对齐信息。我们的方法检测重要的命题，将它们聚类形成释义的群集，并通过文本融合为每个聚类生成代表性句子。在 DUC2004 和 TAC2011 数据集中，我们的总结方法在自动 ROUGE 分数和人类偏好方面优于先前的 MDS 方法。
text clusteringmulti-document summarizationsub-sentential propositionsinformation alignmentparaphrastic clusters
发现论文，激发创造
  • 主题引导的抽象多文档摘要

    该论文提出了一种基于异构图和神经主题模型的抽象多文档摘要模型，采用图到序列的框架，同时训练主题和摘要模块以提高性能和生成高质量主题。

    Oct, 2021

  • 深度学习技术在多文档摘要中的应用：一项调查

    本文回顾了近期基于深度学习的多文档摘要模型，提出了新的分类方法以及对这个领域的现状进行了综合总结，并且强调了现有文献中很少讨论的各种目标函数之间的区别，最后对未来发展方向提出了几个建议。

    Nov, 2020

  • 摘要 - 来源对齐的力量

    扩展摘要 - 源数据对齐框架，应用于提取多个任务的数据集，包括文档摘要、内容突出点检测、冗余检测等。

    Jun, 2024

  • 多文档摘要中的语料库评估和系统偏差检测

    本文通过使用多个 MDS 语料库和一系列最先进的模型来研究这个异构任务，并尝试量化纲要质量并提出考虑制定新 MDS 纲要的要点。此外，我们分析了缺乏在所有语料库上均实现卓越性能的 MDS 系统的原因，并观察到流程度受到系统指标度量的影响，并由于语料库属性而传播偏见。

    Oct, 2020

  • 基于质心预训练的多文档摘要

    本文提出了一种简单的预训练目标：选择每个文档簇的基于 ROUGE 的中心点作为摘要，以用于多文件摘要的预训练。通过多个 MDS 数据集的零 - shot 和完全监督实验，我们证明了我们的 Centrum 模型比最先进的模型更好或具有可比性。

    Aug, 2022

  • SgSum: 将多文档摘要转换为子图选择

    本文提出了一种名为 SgSum 的新型 EMDS 框架，将 MDS 任务作为一个子图选择问题，通过构建关系图来选择一个显著的子图，而不是单独评分和提取句子，从而解决了现有方法中忽略句子关系和整个摘要连贯性和凝练性的问题。与传统方法相比，SgSum 模型能够由于模型对句子关系的建模和直接输出更加丰富和连贯的子图形式摘要而获得显著优势，且在 MultiNews 和 DUC 数据集上进行的实验表明，我们的方法比多个强基线模型都有显著改进。

    Oct, 2021

  • 摘要 - 源命题级别对齐：任务、数据集和监督基线

    该论文提出了一种以监督分类的方式在更准确的命题跨度级别进行摘要 - 源文本对齐的方法，并利用众包数据构建了一个新的训练数据集，表明该方法在句子对齐质量方面的效果优于无监督方法。

    Sep, 2020

  • 超越词汇列表：面向科技文档的抽象主题标签

    本研究通过抽象式的多文档摘要（MDS）将生成人类般的主题标签作为替代方案，此外结合聚类和摘要来评估主题模型，以理解需要进一步研究才能实现 MDS 主题标签功能，同时提出了改进 MDS 的思路。

    Oct, 2022

  • AgreeSum: 基于协同的多文档摘要

    我们在建立包含多篇文章的数据集基础上，对 MDS 任务的 AgreeSum 分支进行了研究，通过应用 PEGASUS 模型以及有监督的损失函数和 T5 模型的损失函数进行分析，实现了更好的摘要及其准确度。

    Jun, 2021

  • 基于稀疏编码的阅读者感知型多文档摘要

    提出了一种新的 MDS 范例 —— 读者感知式多文档摘要（RA-MDS），通过特定的稀疏编码法联合考虑新闻报道和读者评论来计算文本片段的显著性，并通过实体重写来提高语言质量，进一步探讨了名词 / 动词短语的优化模型支持压缩摘要的生成，该方法在经典和自行采集的数据集上取得了显著的效果

    Apr, 2015