ACLMay, 2023

生成基于计划的摘要重新排名所需的 EDU 摘录

PDF
TL;DR本文介绍了一种新颖的方法来生成二次排序的待选摘要，方法通过提取唯一内容计划来生成不同的目标摘要，并通过基准解码方法对生成的摘要进行了重新排名，实验表明在典型单文档新闻文章语料库上，相比之前发布的方法，该方法在关键性能评估指标 ROUGE-2 F1 上有显著提高，并提供了代码.
two-step approachesre-rankingunique content planabstractive candidaterouge scores
发现论文，激发创造
  • 具有变长摘要的教育层面抽取式摘要

    该论文研究了基于 Elementary Discourse Unit 的提取式文本摘要模型，从理论和实验角度出发论证了该模型相对于传统模型在自动评估得分和人工评估方面的优势，并在数据集上取得了更好的 ROUGE 得分，同时也保持了很好的语法和可读性。

    Oct, 2022

  • SummaReranker：一个多任务专家混合再排序框架用于抽象摘要

    该研究使用深度学习模型进行文本自动摘要，通过重新排序生成的摘要，显著提高了 ROUGE 1 得分。

    Mar, 2022

  • 走向摘要候选项融合

    使用 SummaFusion 作为第二阶段抽象化摘要的方法，可以融合多个摘要候选人，达到更好的摘要效果。

    Oct, 2022

  • 结构化 Transformer 的逐步提取式摘要和计划

    采用结构化 transformers 和 encoder-centric 模型进行抽取式摘要，通过将前面生成的摘要注入到 transformer 中实现了分步式摘要，同时不依靠任务特定的冗余建模，成为一个通用的抽取式内容规划器。在 CNN / DailyMail 和 Rotowire table-to-text 生成上，我们的模型表现出最先进的性能，并且 extended transformers 模型在这两个数据集上提供了最佳的性能表现。

    Oct, 2020

  • 使用指针生成网络和 SciBERT 嵌入生成研究论文亮点

    本研究旨在利用指针生成网络、覆盖率机制和上下文嵌入层生成科学论文自动摘要，经测试在 CSPubSum 和 MixSub 数据集中，与同类算法相比，该模型表现最佳。

    Feb, 2023

  • 无监督摘要重新排名

    本文提出一种无监督的方法，对摘要生成的可选方案进行重新排名，以缩小无监督和有监督模型之间的性能差距。与四个广泛采用的摘要基准相比，该方法将预训练的无监督 PEGASUS 的相关平均 ROUGE 增加了 4.37% 至 7.27%，并在 30 个转移设置中实现了 7.51% 的相对增益（高达 23.73%）。

    Dec, 2022

  • 基于课程指导的抽象摘要

    本文提出两个方法以弥补 Transformer-based summarization 模型在内容选择方面表现不佳和训练策略效率不高的缺陷，使得模型可以更好的理解要点，同时引入课程学习的方法提高了训练速度和质量，并用 Reddit TIFU 数据集和其他三个跨领域总结测量我们的模型的有效性，同时进行了人类评估表明所提出的方法在流畅性、信息量和整体质量等质量标准上具有良好的效果。

    Feb, 2023

  • 主题扩充生成器用于抽象化摘要

    该研究提出了一种新的解码器，通过条件调整文本和文档的潜在主题来生成摘要，使用 LDA 等主题模型揭示了更多的全局语义信息，使解码器能够访问文本语料库级别的词共现统计信息，实验表明，与现有模型相比，该方法能显著提高 ROUGE 分数。

    Aug, 2019

  • 通过判别式摘要排序的多文档摘要

    本文提出了基于 ILP 框架提取每个文档集的一组候选摘要，然后利用排名 SVM 进行摘要重新排名的方法，结果通过 DUC 基准数据集验证了方法的有效性和鲁棒性。

    Jul, 2015

  • 引导 ChatGPT 生成突出的领域摘要

    ChatGPT 借鉴了 ICL 和重新讲述的能力，提出了 PADS，这是一个用于辅助 ChatGPT 进行领域概括的流程，由一个检索模型和一个排序模型组成，能够有效引导 ChatGPT 生成适合不同领域要求的凝练摘要。

    Jun, 2024