基于模板的微博抽象观点摘要
本文提出了一种摘要框架,通过将目标的所有评论压缩为多个密集向量以代替传统的前置筛选步骤,从而最大化地保留所有信息,进而生成更具信息量的摘要,并且采用零样本技术,能够有效地生成根据用户需求定制的摘要,实验结果表明了该模型在 Rotten Tomatoes 数据集上的优越性能。
Sep, 2019
本研究通过设计 Annotation Protocols 并使用 Argument Mining 技术,基于网络上不同形式的讨论为标准数据集,比较了各种先进的对话总结模型,在自动和人工评估中均取得了较高的结果。
Jun, 2021
本文提出了一种基于自我训练的抽象化意见摘要方法 OpineSum,该方法使用文本蕴涵的新颖应用程序来捕捉一个项目的各种评论中的意见共识,从而在大规模上获得银标准摘要并训练无监督和少量样本的摘要系统,而在结构中实现了最先进的性能。
Dec, 2022
本研究提出了一种采用两种社交标签(即标签和链接)自动收集大规模新闻相关多文档摘要的有效方式,使用 ROUGE 指标和整数线性规划解决方案来生成摘要,收集的数据可用于支持向量回归自动文摘器的训练,提高了其性能。
Nov, 2015
通过对抽象摘要模型进行偏见定量化研究,并应用不同的模型和适应方法来总结社交媒体意见的任务,本研究发现大多数模型具有固有偏见。使用社交媒体文本摘要数据集并对比各种适应方法,发现调整较少的参数不如标准微调偏见较小;然而,用于微调的训练数据中的主题多样性至关重要。
Feb, 2024
本研究旨在通过采用课程学习方法,结合基于 Transformers 模型的自动生成摘要技术,从 Reddit 社交媒体上的心理健康相关帖子中提取性问题,从而提高医生的阅读效率和准确性,为人们提供更及时有效的心理卫生服务。相较于目前已有的模型,本方法在 Rouge 和 Bertscore 评估指标上分别有显著的相对改进。
Feb, 2023
在社交媒体如此发达的时代,我们提出了一个新的流程,其中部分自动化事实检查的生命周期可以节省人力和高认知任务。我们的方法是利用抽象摘要生成简洁的查询,这些查询可以在基于现有已核查实事的数据集的检索系统中执行。通过使用现有的摘要模型进行微调和开箱既食的摘要模型,我们获得了具有更好的检索表现,检索准确率提高了 3 倍,而基于原文查询的准确率仅为 10%。
Sep, 2022
本研究评估了德语抽象文本摘要的特定现状,并调查现实情形下为什么有效的抽象文本摘要解决方案在工业界仍然缺失。我们的重点是分析训练资源和公开可用的摘要系统,并发现现有的数据集和系统存在极大的缺陷和评估偏差。此外,我们发现现有的系统经常不能与简单的基准线进行比较,并且忽略了更有效和高效的摘要方法。
Jan, 2023