Semi-supervised Text Summarization
Semi-supervised text summarization trains summarization models by leveraging large amounts of unlabeled text alongside a small set of human-written reference summaries. By using techniques such as language-model pretraining, pseudo-labeling, and self-training, these methods substantially reduce the annotation burden while maintaining competitive ROUGE scores on benchmark datasets.
Kilderegistrering
Citater kopieret ordret fra metodens kilderegistrering. Ingen påstandsniveauverifikation er udledt heraf.
- He, J., Zhou, C., Ma, X., Berg-Kirkpatrick, T., & Neubig, G. (2020). Revisiting Semi-Supervised Learning for Neural Sequence Generation. In Proceedings of ICLR 2020. · URL
- Automatic summarization. Wikipedia. · URL
Kuraterede påstande
Påstande gemt i bevis-loggen, hver med sin egen vurdering.
Denne visning opfinder ikke en påstandsvurdering, når loggen ingen har.
Relaterede metoder
Genereret fra metodegrafen og vist som maskinelt foreslåede relationer — ingen bevispåstand er udledt.
Den genererede relationsgraf har ingen udgående relation for denne metode.