EMNLPOct, 2022

基于突显分配的生成式摘要指导方法

PDF
TL;DR本文提出了一种新的自由灵活的关键信息指引式文本摘要方法 SEASON，通过利用关键信息的分配来指导抽象文本摘要并适用于不同抽象程度的文章，从而证明 SEASON 方法在两个基准数据集上表现优越，并在一百万篇新闻文章上证明了一个自然的十五五十关键信息分配。
abstractive summarizationextractive summariessalience guidanceseasonbenchmark datasets
发现论文，激发创造
  • 多领域抽象摘要生成的显著性分配分析

    通过使用 SEASON（Salience Allocation as Guidance for Abstractive SummarizatiON）技术，本文探讨了抽象文本摘要的领域，这是一种通过利用显著性分配技术来增强摘要的模型。通过将其与 BART、PEGASUS 和 ProphetNet 等知名模型进行比较，研究评估了 SEASON 的有效性，所有这些模型都经过了不同的文本摘要任务的微调。本论文使用多种评估指标（如 ROUGE、METEOR、BERTScore 和 MoverScore）来评估为生成抽象摘要而微调的这些模型的性能。这些指标的分析提供了对每个模型在摘要新闻数据集、对话数据集和财务文本数据集方面所展示出的优点和不足的深入洞察。本文提供的结果不仅有助于评估 SEASON 模型的有效性，还阐明了显著性分配技术在各种类型数据集中的复杂性。

    Feb, 2024

  • 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

  • 基于神经注意力机制的摘要句子生成模型

    本文提出了一种基于数据驱动的、对抽象句子的局部关注模型进行生成式摘要的方法，通过训练大规模数据，该模型相比较于几种强基线模型在 DUC-2004 共享任务中表现了显著的性能提升。

    Sep, 2015

  • 选择与总结：电影剧本摘要的场景显著性

    通过提取场景的显著性，针对电影剧本等长篇故事性文本进行抽象概括是具有挑战性的。本研究引入了一个包含 100 部电影人工标注显著场景的数据集，提出了一个两阶段的抽象概括方法，首先识别出剧本中的显著场景，然后利用这些场景生成摘要。基于问答的评估结果显示，我们的模型优于以往最先进的摘要方法，并且比将整个剧本作为输入的模型更准确地反映了电影的信息内容。

    Apr, 2024

  • 神经抽象摘要方法调查及其摘要的事实一致性

    自动摘要是计算机缩短文本数据的过程，以创建一个表示原始文本中最重要的信息的子集 (摘要)。现有的摘要方法大致可以分为两类：抽取式和生成式，前者会从源文档中显式选择文本片段 (单词，短语，句子等) ，而后者则会生成新的文本片段来传达源文件中最突出的概念。

    Apr, 2022

  • 一种新的从容提取摘要的方法

    本研究提出一种新方法，通过生成多个变体的目标摘要，这些摘要具有不同的内容和不同的长度，并根据用户的需要进行评分和选择，该方法可用于控制摘要长度，从而实现最佳的信息概括，保证真实性并确保流畅。

    Apr, 2021

  • AttSum: 神经注意力机制的聚焦和摘要联合学习

    AttSum 是一种新的自动学习分布式表示和应用注意力机制的查询聚焦式文本摘要系统，并在标准基准数据集上取得了较好的性能。

    Apr, 2016

  • 基于关注要点和蕴含的多目标增强摘要

    通过强化学习方法，采用 ROUGESal 和 Entail 两种新的奖励函数优化传统指标 ROUGE，实现多重奖励同时优化的方式来提高摘要生成的效果。实验证明，该方法在 CNN/Daily Mail 数据集上达到了新的最高性能水平，并在测试集合 DUC-2002 中有很大的提高。

    Apr, 2018

  • 摘要文档生成的注意力优化

    该论文提出了一种基于序列到序列的文档摘要模型中的注意力机制改进方法，结合局部方差损失和全局方差损失分别从局部和全局方面增强注意力的监督，并在 CNN/Daily Mail 数据集上验证了其有效性。

    Oct, 2019

  • 忠于原始：事实感知的神经网络抽象摘要

    提出了一种基于句法和信息提取的双重注意序列到序列框架，该框架旨在解决抽象汇总中存在的虚假事实问题，并使生成的汇总同时具有信息丰富性和语义准确性。

    Nov, 2017