松弛多文档摘要的多文档覆盖奖励

ACLMar, 2022

松弛多文档摘要的多文档覆盖奖励

A Multi-Document Coverage Reward for RELAXed Multi-Document Summarization

Jacob Parnell, Inigo Jauregi Unanue, Massimo Piccardi

TL;DR本文提出利用 RELAX 方法 fine-tune 多文档自动摘要系统，达到更好的效果，并验证其在多个数据集上的竞争性能。

Abstract

multi-document summarization (MDS) has made significant progress in recent years, in part facilitated by the availability of new, dedicated datasets and capacious language models. However, a standing limitation of these models is that they are trained against limited references and wit

multi-document summarization reinforcement learning gradient estimator rouge coverage

发现论文，激发创造

基于最大边际相关性引导的强化学习的多文档摘要

提出了 RL-MMR，一种将最大边际相关引导的强化学习与传统多文档摘要统计测量方法相结合的方法，以解决多文档摘要中的搜索空间问题和信息冗余问题，取得了最佳表现。

Sep, 2020

基于强化学习的文本摘要的多维优化

本文提出了一种多目标强化学习方法，通过多维优化策略和基于问答的奖励模型生成在多个维度上平衡的、简洁但信息丰富的摘要，取得比基准模型更好的性能表现。

Jun, 2024

通过参考灵活提取和信用感知来提高多文档摘要

本文提出一种通过提取 - 摘要 Transformer 框架解决多文档摘要中输入长度过长问题的方法，其中包括分层提取和摘要重写。通过权重和深度强化学习等机制建立了抽取 - 摘要模型，实现了在大型数据集 Multi-News，Multi-XScience 和 WikiCatSum 上具有最佳效果的模型。

May, 2022

深度强化学习结合分布式语义奖励的抽象摘要生成

本研究论文使用分布式语义学方法，提出了一种新的奖励制度 DSR (Distributional Semantics Reward)，用于评估候选摘要的性能，与传统的奖励模式相比，DSR 可以更准确地捕捉自然语言的词汇和构成多样性。

Aug, 2019

将最先进的模型与最大边际相关性相结合，进行少样本和零样本的多文档摘要

本篇论文主要研究如何使用最大边际相关性（MMR）结合深度学习方法以实现多文档摘要的 few-shot 或 zero-shot 应用，并在这种方法的基础上提出一个能够同时保证相关性和输出质量的新算法。

Nov, 2022

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

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

基于读者感知的多文档摘要：增强模型与首个数据集

本文介绍了一个新的数据集来解决阅读者感知的多文档摘要问题；通过扩展基于变分自动编解码器的 MDS 框架，共同考虑新闻文档和读者评论。实验结果表明，读者评论能够提高摘要的表现，并证明了所提出的数据集的实用性。

Aug, 2017

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

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