Nov, 2022

Wasserstein 空间中的无监督意见摘要

PDF
TL;DR本文提出了使用 Wasserstein 距离的无监督抽象摘要模型 WassOS，结合变分自编码器，把语义和句法空间分离并使用他们的 Wasserstein barycenter 得到摘要分布。实验表明，该模型在 ROUGE 指标上表现卓越且对于人类的评估达到了最佳的意思保留效果。
发现论文，激发创造
  • 可归属且可扩展的意见概括

    我们提出了一种无监督的意见摘要方法，该方法将顾客评论中的句子编码到分层离散的潜空间中，然后基于编码的频率识别常见的意见，并通过解码这些频繁的编码生成抽象摘要和通过选择分配给相同频繁编码的句子生成提取摘要

    May, 2023

  • 无监督意见摘要作为抄袭评论生成

    本研究提出了一种基于变分自编码器的生成模型，可以在无监督学习的条件下，通过控制输入文本的变异程度，生成简明扼要、持有共识观点的评论摘要。

    Nov, 2019

  • 使用近似测地线进行无监督意见摘要

    该论文提出了一种名为 Geodesic Summarizer 的系统来完成无监督抽取式意见总结，使用编码器 - 解码器模型进行表示学习，利用多个解码器层进行预训练文本表示的词典学习，利用近似测地线距离基于得分的机制来量化评论句子的相关性，以此识别流行意见并汇总成一般和具体方面的总结，最终实现了三个意见总结数据集中的最先进性能。

    Sep, 2022

  • 通过生成树状主题引导的句子进行无监督抽象意见摘要

    本文提出了一种基于高斯混合模型的新颖非监督式抽象摘要方法。实验结果表明，该方法生成的主题句适合作为观点文本摘要，并且更具信息量和覆盖面。

    Jun, 2021

  • 无监督舆情摘要生成与加噪声去噪声技术

    本文介绍了一种基于🈚️ground truth summaries 的情况下，利用文档创建合成数据集、引入多种噪声生成函数以及学习生成原始评论的摘要模型的方法，该方法比抽取式和生成式基线模型都有更好的效果。

    Apr, 2020

  • 观点摘要的小样本学习

    本文介绍了一种学习无监督条款，在生成模型中引入少量样本来捕获其必要属性的方法，用于生成商品评论等主观性文本的摘要，该方法比以往的提取和抽象方法更有效。

    Apr, 2020

  • 基于量化 Transformer 空间的提取式意见摘要

    本文介绍了一种基于量化转换器的无监督系统，用于提取意见摘要。由于采用聚类解释量化空间，加上一种新颖的提取算法，能够在数百个评论中发现受欢迎的意见，从而实现实用范围的意见摘要。此外，该方法利用量化空间的属性提取方面和细节方面的摘要，从而实现了可控摘要，无需进一步训练。作者也公开了 SPACE（一种大型评估基准）用于评估意见摘要，包括 50 个酒店的汇总。实验表明，作者的方法十分有前途，通过人工研究验证了该方法优于竞争基线的清晰偏好。

    Dec, 2020

  • 基于稀疏编码的无监督抽取式观点摘要

    该研究提出了一种基于语义自动编码器（SemAE）的无监督抽取式网络评论摘要算法，并且能够进行具有可控性的方面特定性的摘要，实验结果表明该算法在 SPACE 和亚马逊数据集上表现强劲

    Mar, 2022

  • 自监督和可控多文档意见摘要

    本文介绍了一种自我训练的方法，使用控制代码通过 Transformer 架构将多条评论进行无监督抽象摘要，并通过人工评估表明，该方法生成的摘要具有更高的质量和相关性。

    Apr, 2020

  • 产品描述与问答辅助自我监督意见摘要

    在电子商务中，通过引入额外的信息源和自主训练的方法，我们提出了一种新颖的综合数据集创建策略来生成观点摘要。我们的模型采用了多编码器解码器框架，针对每个信息源使用一个编码器以在生成摘要时实现有效信息选择。实验证明，我们的方法与目前的最佳模型相比，在 ROUGE-1 F1 指标上平均提高了 14.5%。此外，人工评估结果显示，MEDOS 模型在连贯性和流畅性方面相对较高，分别为 0.41 和 0.5（-1 到 1 的评分），相较于现有模型具有更高的质量。据我们所知，我们是第一个利用额外信息源进行自主训练生成观点摘要的研究。

    Apr, 2024