EMNLPDec, 2022

基于强化学习的无监督句子自动摘要系统生成多种长度的摘要

PDF
TL;DR本篇论文提出了一种基于强化学习的抽象模型，用于无人工摘要的句子摘要，同时还开发了一种多摘要机制来提高摘要质量。实验结果表明，该模型明显优于抽象和提取式模型，经常生成未包含在原始文本中的新单词。
sentence summarizationunsupervised modelabstractive modelreinforcement learningmulti-summary learning
发现论文，激发创造
  • 无监督双智能体强化学习实现高效可解释的压缩文本摘要

    提出了一种利用无监督双代理强化学习来优化摘要语义覆盖和流畅度的高效且可解释的压缩摘要方法，该模型由提取器代理和压缩器代理组成，并且两个代理都具有多头注意力指针结构。实验结果表明，该模型在广泛使用的三个数据集上均取得了有希望的表现。

    Jun, 2023

  • 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

  • 基于增强学习的选句重写快速生成摘要

    本论文提出一种快速、精准的摘要生成模型，该模型首先选择重要句子，然后使用新颖的基于句子级的策略梯度方法实现两个神经网络之间的其它计算，最后生成简洁的总体摘要。该模型在 CNN/Daily Mail 数据集上的表现达到了最新的最佳水平，并且具有更高的抽象性得分，同时也展示出相较于之前的长段落编码 - 解码模型，更快的推断速度和训练收敛速度优势，而且在 DUC-2002 数据集上表现更优。

    May, 2018

  • 一项用于从非结构化数据中学习结构的个性化强化学习摘要服务

    该论文提出了一种基于个性化概念的分层式摘要方法 Summation，使用强化学习算法生成特定主题的未见文档的个性化摘要，以增强理解、有效导航和满足用户独特需求从大量文献中提取有意义的见解。

    Jul, 2023

  • 摘要回路：学习撰写抽象摘要而不借助例子

    提出了一种新的无监督抽象摘要方法，利用覆盖率和流畅性最大化的组合来进行句子长度控制，通过遮盖原始文档中关键词并将其填充进生成的摘要中来激励包含原始文档中的关键词，利用覆盖率模型和流畅性模型进行无监督训练，可以在流行的新闻摘要数据集上优于以前的无监督方法，同时接近有竞争力的监督方法。我们的模型比以前的工作得到更高程度的信息提取，复制的段落大约是先前的两倍短，并且可以自主学习压缩和合并句子。

    May, 2021

  • 答案联合！增强摘要模型的无监督度量

    使用强化学习的抽象化概括方法已经被提出来克服传统极大似然估计的限制，提出了一些使用问题回答作为替代评价指标的模型，并在人工和自动评价指标上取得了较大的提升。

    Sep, 2019

  • 使用文本蕴含反馈的强化学习实现事实一致性摘要

    本文介绍一个基于文本蕴涵模型和强化学习的方法，用于优化提取式摘要的准确性和一致性，并在自动度量和人类评估上显示出较好的性能。

    May, 2023

  • 文本摘要的逆强化学习

    本研究使用反向强化学习的方法构建了一个文本摘要模型，通过同时评估摘要代理的奖励函数和优化，我们证明该模型在诸多评测标准中优于 MLE 和 RL 基线模型。

    Dec, 2022

  • 结合问题感知的语义奖励的强化学习在摘要式问题总结中的应用

    本文提出了一种基于强化学习的抽象式问题摘要框架，该框架通过 downstream 任务中的问题类型识别和问题重点识别得到两个新颖的奖励来规范问题生成模型，从而确保问题摘要的语义有效并鼓励包含关键的医疗实体 / 重点。作者在两个基准数据集上对其所提出的方法进行了评估，并取得了比现有模型更高的性能。手动评估总结结果表明生成的问题更具多样性且不具备基线总结的不准确性。

    Jul, 2021

  • 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