Sep, 2022

使用 Oracle Expectation 进行文本摘要

PDF
TL;DR本文提出了一种用于文本摘要的新的标注算法，该算法使用基于期望的软标签，可以比常规的基于贪心算法的标注算法更加优秀地完成数据集的生成，同时在有监督和零样本学习中也取得了良好的性能表现。
extractive summarizationlabeling algorithmlearning objectiveoracle extractssummarization benchmarks
发现论文，激发创造
  • 神经潜在抽取式文档摘要

    本篇文章提出一种基于潜变量的抽取式文本摘要模型，通过使用句子作为潜变量和检索金标准摘要来改善基于启发式标签的抽取式模型，并在 CNN/Dailymail 数据集上得到了良好的结果。

    Aug, 2018

  • 基于问答奖励的摘要生成引导

    本文提出了一种利用问答奖励来引导监督式摘要系统的新框架，通过人类摘要获得问答对来评估总结与原文件的关系，并且该系统学习如何推广信息量大、流畅度高且在问答方面表现良好的总结，结果表明其表现优于基线总结和人类评估。

    Apr, 2019

  • 基于句子和单词提取的神经摘要

    论文提出了一种基于神经网络和连续句子特征的数据驱动型抽取式摘要方法，采用层级文档编码器和基于注意力机制的提取器的通用框架，能够训练不同的摘要模型（提取句子或单词），在大规模语料库上进行实验结果表明，该方法在不需要语言注解的情况下取得了与现有技术相当的效果。

    Mar, 2016

  • 用强化学习为抽取式摘要排序

    提出了一种用于单文档大意提取的全新算法，能够通过强化学习目标全局优化 ROUGE 评估指标，并在 CNN 和 DailyMail 数据集上进行了实验，展示它在人工和自动评估中均优于现有抽取和生成式提取系统的神经大意提取模型。

    Feb, 2018

  • 下一步是什么？基于下一句预测的提取式摘要

    使用 NEXTSUM 方法进行文章自动摘要，通过模型预测下一个句子是否应该包含在摘要中来兼顾信息的完整性和紧凑性，实验结果表明比传统方法表现更好。

    Jan, 2019

  • 基于 BERT 的分层图掩蔽的事实级提取式摘要

    通过提取基于事实的语义单元，并将多级粒度的文本信息结合到模型中，并使用层次图表结合 BERT 模型，我们在 CNN/DailyMail 数据集上获得了最好的结果。

    Nov, 2020

  • SumHiS: 挖掘隐藏结构的提取式摘要

    我们介绍了一种利用文本的隐藏聚类结构进行摘要提取的新方法。在 CNN/DailyMail 数据集上的实验结果表明，我们的方法生成的摘要比提取式和抽象式方法更准确，并在 ROUGE-2 指标方面取得了超过先前方法 10% 的最新成果。此外，我们还展示了文本的隐藏结构可以解释为不同的主题。

    Jun, 2024

  • 无监督抽取式摘要中句子相似度估计的改进

    研究了两种新策略以提高自动抽取摘要的句子相似度估计，其中对比学习优化了文本级目标，同时使用互相学习增强句子相似度估计与句子重要性排名之间的关系。实验结果显示了策略的有效性。

    Feb, 2023

  • 利用预训练的层次 Transformer 进行无监督抽取式摘要

    本文提出了一种使用 transformer 自注意力机制进行无监督文本摘要提取的方法，并在 CNN / DailyMail 和 New York Times 数据集上证明其优于现有的无监督模型，且不太依赖于句子位置。

    Oct, 2020

  • OTExtSum: 基于最优输运的提取式文本摘要

    该研究提出了一种基于 Optimal Transport 的非学习型文本摘要方法 ——Optimal Transport Extractive Summariser (OTExtSum)，通过最小化摘要的语义覆盖成本来选择原始文档中最重要的句子，实验证明该方法在 ROUGE 度量方面优于其他最先进的非学习型方法和多个最近的学习型方法。

    Apr, 2022