ACLMay, 2022

神经关键词抽取的双曲线相关匹配

PDF
TL;DR本文提出了一种新的基于超几何匹配模型（hyperbolic matching model）的关键词提取方法，通过在同一个超几何空间中对短语和文档进行表征，并用 Poincaré 距离显式地估计关键短语的相关性，取得了比 state-of-the-art 更好的实验效果。
keyphrase extractionnatural language processinghyperbolic matching modelpoincaré distanceroberta
发现论文，激发创造
  • 可解释神经网络无监督关键词提取

    本文提出了一种基于预测文档主题的显著性测量方法 INSPECT，用于自动提取关键短语，取代了需要领域专业知识的启发式短语重要性聚类或图中心性方法，并在科学出版物和新闻文章两个领域的四个数据集中取得了最先进的无监督关键短语提取结果。

    Mar, 2022

  • W2KPE：基于词语关系的关键短语提取

    该研究介绍了他们提交的 ICASSP 2023 MUG 挑战赛第 4 轨道 —— 关键短语提取，并描述了他们开发的技术以改进关键短语提取的性能，包括采用命名实体识别任务的单类建模，用多类焦点损失函数替换丢失函数等。

    Mar, 2023

  • 神经关键词生成：分析与评估

    本文研究了三种强大的编码 - 解码模型 (T5、 CatSeq-Transformer 和 ExHiRD) 的性能和行为，分析了预测置信度得分、模型校准和密钥短语生成的令牌位置对其的影响，提出了一个新的度量框架 SoftKeyScore。结果表明，相比于标准的 F1 指标，SoftKeyScore 更适合用于评估两组给定关键词。

    Apr, 2023

  • 使用句向量进行简单的无监督关键短语抽取

    本文提出了一种新颖的无监督方法，即 EmbedRank，通过使用句子嵌入从单个文档中提取关键短语，进而在标准数据集上实现了比基于图的现有系统更高的 F-score，适用于实时处理大量 Web 数据，并通过引入基于嵌入的最大边际相关性来明确地增加所选关键短语的覆盖率和多样性，200 份投票的用户调查表明，我们的高多样性选择得到人类的接受。

    Jan, 2018

  • 关键词抽取综述

    介绍了关键词提取的作用和方法，并对现有工作进行了综述和对不同评估方法进行了分析，重点在数字信息管理系统中使用关键词提取的效果和流行的无监督技术进行了实验研究。

    May, 2019

  • 从多个角度进行重要性估计的关键词提取

    本文提出了一种名为 KIEMP 的新方法，该方法使用端到端多任务学习模型，从多个方面综合评估关键词的重要性，包括其句法准确性、信息显著性和概念一致性，并在六个基准数据集上验证了其优于现有技术的性能。

    Oct, 2021

  • 基于深度相关匹配的 Ad-hoc 检索模型

    该研究提出了一种基于深度神经网络的 DRMM 模型，旨在解决 ad-hoc retrieval task 中的 relevance matching 问题，经过在 benchmark collections 上的实验，结果表明该模型明显优于一些知名的检索模型和当前最先进的深度匹配模型。

    Nov, 2017

  • 通过探索检索与抽取的能力进行关键短语生成的综合方法

    本文提出了一种新的集成方法，用于关键短语的生成，利用多任务学习的方法同时学习抽取式模型和生成式模型，采用神经网络集成预测结果，实验结果表明基于抽取式、生成式和检索式方法的综合方法更优。

    Apr, 2019

  • 基于跨度特征表示的关键短语提取

    该论文提出了一种新颖的 Span Keyphrase Extraction 模型，能够直接从所有内容令牌中提取以跨度为基础的关键短语的特征表示，并进一步学习捕捉单个文档中关键短语之间的交互，以获得更好的排序结果。

    Feb, 2020

  • SimCKP：关键短语表示的简洁对比学习

    我们提出了一个简单的对比学习框架 SimCKP，它由两个阶段组成：1）一个提取器 - 生成器，通过对比学习的方式学习上下文感知的短语级表示，同时生成不出现在文档中的关键短语；2）一个重新排序器，通过将生成的短语的表示与相应的文档对齐来调整每个短语的得分。在多个基准数据集上的实验结果证明了我们提出的方法的有效性，其性能明显优于现有的模型。

    Oct, 2023