Los puntos clave no están disponibles para este artículo en este momento.
A diferencia del resumen extractivo, el resumen abstractivo tiene que fusionar diferentes partes del texto fuente, lo que tiende a crear hechos falsos. Nuestro estudio preliminar revela que casi el 30% de las salidas de un sistema neuronal de resumen de última generación sufren este problema. Mientras que los enfoques previos de resumen abstractivo usualmente se enfocan en la mejora de la informatividad, argumentamos que la fidelidad también es un requisito vital para un sistema de resumen abstractivo práctico. Para evitar generar hechos falsos en un resumen, aprovechamos tecnologías de extracción abierta de información y análisis de dependencias para extraer descripciones de hechos reales del texto fuente. Posteriormente, se propone el marco de secuencia a secuencia con atención dual para forzar la generación condicionada tanto en el texto fuente como en las descripciones de hechos extraídas. Los experimentos en el conjunto de datos de referencia Gigaword demuestran que nuestro modelo puede reducir en un 80% los resúmenes falsos. Notablemente, las descripciones de hechos también aportan una mejora significativa en la informatividad, ya que a menudo condensan el significado del texto fuente.
Building similarity graph...
Analyzing shared references across papers
Loading...
Ziqiang Cao
Furu Wei
Wenjie Li
Peking University
Hong Kong Polytechnic University
Microsoft Research Asia (China)
Building similarity graph...
Analyzing shared references across papers
Loading...
Cao et al. (Thu,) estudiaron esta cuestión.
www.synapsesocial.com/papers/6a087fd2ab15ea61dee8e38b — DOI: https://doi.org/10.1609/aaai.v32i1.11912
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: