没什么用
题目:An entity-guided text summarization framework with relational heterogeneous graph neural network / 一种基于关系异构图神经网络的实体导向文本摘要框架
年份:2023
摘要:文本摘要任务生成准确摘要的两个关键问题是利用文本之外的知识和利用文本中的跨句关系。这两个问题的直观方法分别是知识图谱和图神经网络。实体是文本和知识图谱中的语义单元。本文通过利用文本中提到的实体将图神经网络和知识图谱连接起来进行摘要来解决这两个问题。首先,利用实体构造具有加权多类型边的句子实体图来对句子关系进行建模,并提出了一种用于摘要的关系异构图神经网络来计算节点编码。其次,利用实体将图链接到知识图谱以收集知识。第三,实体指导两步摘要框架,定义了一个多任务选择器来选择显著的句子和实体,并使用一个以实体为中心的抽象器来压缩句子。通过构造句子实体图将图神经网络与知识图谱联系起来。
框架:
实验结果:
题目:Boosting Factual Correctness of Abstractive Summarization with Knowledge Graph / 利用知识图谱提高生成式摘要的事实正确性
年份:2020
摘要:文本摘要任务中一个常见的问题是文章中事实信息的失真或捏造。摘要和原文之间的这种不一致导致了对其适用性的各种担忧。在本文中,我们建议通过知识的融合来提高摘要的事实正确性,即从文章中提取事实关系。我们提出了一个FactAware摘要模型FASUM。在该模型中,知识信息可以通过神经图计算有机地集成到摘要生成过程中,有效地提高了事实的正确性。经验结果表明,与最先进的抽象摘要系统相比,无论是在独立训练的事实正确性评估器还是人工评估下,FASUM都能生成具有显著更高事实正确性的摘要。例如,在CNN/DaylyMail数据集中,FASUM获得的事实正确性得分比UNILM高1.2%,比BOTT高4.5%。
贡献:
1. 我们以关系知识图谱的形式从文章中提取事实信息。
2. 我们对知识图谱进行神经图计算,并将其信息集成到摘要生成的端到端过程中。
3. 我们提出了一种简单易用的度量,即匹配关系元组,来评估抽象摘要中的事实正确性。
实验结果:
题目:Knowledge Graph-Augmented Abstractive Summarization with Semantic-Driven Cloze Reward / 基于语义驱动的Cloze奖励的知识图谱增强生成式摘要
年份:2020
摘要:摘要的序列到序列模型已经得到了广泛的研究,但生成的摘要通常含有捏造的内容,并且通常被发现是接近提取的。我们认为,为了解决这些问题,总结者应该获得对输入的语义解释,例如,通过结构化表示,以允许生成更具信息性的总结。在本文中,我们提出了ASGARD,这是一种具有图形增强和语义驱动的RewarD的抽象摘要的新框架。我们建议使用双编码器——顺序文档编码器和图形结构编码器,以保持实体的全局上下文和局部特征,相互补充。我们进一步设计了一个基于多选完形填空的奖励,以推动模型更好地捕捉实体互动。结果表明,与《纽约时报》和CNN/Dai上没有知识图输入的变体相比,我们的模型产生的ROUGE分数明显更高。
题目:Multi-Document Scientific Summarization from a Knowledge Graph-Centric View / 以知识图谱为中心的多文档科学摘要
年份:2022
摘要:多文档科学摘要(MDSS)旨在为主题相关的科学论文集群生成连贯简洁的摘要。这项任务需要对论文内容的精确理解和对跨论文关系的精确建模。知识图谱为文档传递紧凑且可解释的结构化信息,这使它们成为内容建模和关系建模的理想选择。在本文中,我们提出了KGSum1,这是一个在编码和解码过程中以知识图为中心的MDSS模型。具体来说,在编码过程中,我们提出了两个基于图的模块,将知识图信息纳入纸张编码中,而在解码过程中,提出了一个两阶段解码器,首先以描述性句子的形式生成摘要的知识图信息,然后生成最终摘要。实证结果表明,所提出的体系结构比Multi-Xscience上的基线有了实质性的改进。