首页 > TAG信息列表 > Summarization
自然语言处理中常见的10个任务简介及其资源
尊重原创版权: https://www.gewuweb.com/hot/17496.html 自然语言处理中常见的10个任务简介及其资源 2017-11-03 17:35 · [ 数据学习DataLearner 本篇博客来自与Analytics 头条无法放链接，但是这篇文章包含了大量的外链，可以去：http://www.datalearner.com/blog/1051509699533080自然语言处理(NLP)-第三方库(工具包)：FastSum【基于fastNLP开发的文本摘要解决方案，包括数据加载、模型调用、模型评价】【实现模型：Seq2Seq、PGNet、BertSum】
FastSum是基于fastNLP开发的一套完整的文本摘要任务解决方案，包括数据加载、模型调用、模型评价三个部分。 FastSum中实现的模型包括： 基准模型 (LSTM/Transformer + SeqLab)Get To The Point: Summarization with Pointer-Generator NetworksExtractive Summarization as Text自然语言处理(NLP)-第三方库(工具包)：FastSum【基于fastNLP开发的文本摘要解决方案，包括数据加载、模型调用、模型评价】【实现的模型：Seq2Seq、PGNet、BertSum】
FastSum是基于fastNLP开发的一套完整的文本摘要任务解决方案，包括数据加载、模型调用、模型评价三个部分。 FastSum中实现的模型包括： 基准模型 (LSTM/Transformer + SeqLab)Get To The Point: Summarization with Pointer-Generator NetworksExtractive Summarization as TextPEGASUS: Pre-training with Extracted Gap-sentences for Abstractive Summarization论文笔记
阅读动机：dst和gsg有极大的关联性 pegasus预训练模型任务：将input的document内重要的句子mask掉，output是由留下的句子生成的新句子，有点类似于extractive summary extractive summary：仅仅从input里面复制信息 abstractive summary：会生成新的词语（好的abstractive summary不仅包含了Learning towards Abstractive Timeline Summarization翻译
摘要 时间线摘要的目标是获得沿时间线的事件演变轨迹，而现有的时间线摘要方法均是基于抽取的方法。在本文中，我们提出了生成式时间线摘要的任务，该任务倾向于简明地解释时间戳事件中的信息。与传统的文档摘要不同，时间线摘要需要对输入事件的时间序列信息进行建模，并按时间顺序汇Extractive Summarization as Text Matching论文学习
一、总结 代码：https://github.com/maszhongming/MatchSum 感觉论文讲的不清不楚的啊，一头雾水。 后面可以看下这个 BERTSUM论文笔记：https://zhuanlan.zhihu.com/p/264184125 BERT时代下的摘要提取长文总结：https://zhuanlan.zhihu.com/p/338154240Fast Abstractive Summarization with Reinforce-Selected Sentence Rewriting翻译
摘要 受人类如何总结长文档的启发，我们提出了一种准确而快速的摘要模型，该模型首先选择重要的句子，然后抽象地重写它们（即压缩和复述）以生成简洁的总体摘要。我们使用一种新的句子级策略梯度方法，以一种分层的方式桥接这两个神经网络之间的不可微计算，同时保持语言的流畅性。从经验《Deep Communicating Agents for Abstractive Summarization》笔记
Celikyilmaz, A., Bosselut, A., He, X., & Choi, Y. (2018). Deep communicating agents for abstractive summarization. NAACL HLT 2018 - 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technolopython – 为什么adajcency矩阵的特征值实际上是Textrank中的句子分数
这是TextRank的路线： >汇总的文件表示为tf-idf矩阵 >(tf-idf矩阵)*(tf-idf矩阵).Transpose =一些图的邻接矩阵,其顶点是实际上是上述文件的句子>页面排名适用于此图表 – >返回每个句子的PR值 现在,该PR值实际上是该邻接矩阵的特征值这背后的物理意义或直觉是什么？ 为什么Eigen值实际Python Summarizer Sumy
我使用sumy https://github.com/miso-belica/sumy进行python文本摘要 我使用HtmlParser时出现此错误. Traceback (most recent call last): File "", line 1, in File "/usr/local/lib/python2.7/dist-packages/sumy/parsers/html.py", line 6, in from readability.read