基于查询的文本摘要综述
本研究定义了一个新的针对查询的表格摘要任务,并提出了一个新的名为 QTSumm 的基准测试,其中包含 5625 个在各种主题的 2437 个表格上人工注释的查询摘要对。实验结果和手动分析表明,我们的基准测试为未来的表格到文本生成研究提供了重要挑战和发展机会。
May, 2023
本文提出了一种基于查询的文章摘要生成模型,使用新闻文章摘要数据集训练了指针生成模型,通过与参考摘要的相似度评估生成的摘要,结果表明可以构建类似于抽象式摘要的神经网络模型,使用查询生成有针对性的摘要。
Dec, 2017
本文详细介绍了文本摘要的各种方法,包括提取和抽象两种途径,评估指标、基准数据集与未来的研究展望,并讨论了生成摘要的不同评估方法与相关研究中可能出现的挑战和研究机遇。
Mar, 2022
本文提出了一种基于问题解答的方法,通过将文本视为小型知识库进行大量提问,以精确地比较两个文本之间的内容差异,从而解决 NLP 系统评估中的一个重要问题。实验结果表明,该方法在分析大型文本语料库方面具有较高的准确性和可靠性。
Apr, 2017
这项研究介绍了一种新的方法,增强型查询摘要(AQS),用于针对主题的摘要,无需大量标记数据集,利用查询扩展和分层聚类。通过 real-world 测试,我们的方法展示了生成相关和准确的摘要的能力,显示其在数据丰富环境中作为一种经济高效的解决方案的潜力,为主题聚焦摘要技术领域中的更广泛应用和可访问性铺平了道路,提供了一种可扩展的、高效的个性化内容提取方法。
Apr, 2024
本文提出一种基于监督学习的、端到端深度学习的方法,用于生成与文本查询相关联的视频摘要。该方法提出了包括视频摘要控制器、视频摘要生成器和视频摘要输出模块在内的一整套系统,并介绍了一个包含帧级别相关性评分标签的数据集。实验结果表明,文本查询可以控制视频摘要,且可提高模型的性能。
Apr, 2020
BayeSum 是一种基于贝叶斯模型的用于句子提取的模型,可以利用多个相关文档来增强查询词信息,处理短查询不足问题,并得到了最先进的结果,在信息检索框架中可以被理解为一种验证的查询扩展技术。
Jul, 2009
本文综述了近期在基于神经网络的自动文本摘要中的十种最先进的神经网络模型,其中包括五种生成式模型和五种抽取式模型,并讨论了应用于摘要任务的相关技术和未来研究的有前途的方向。
Mar, 2018