Domänenadaptives Textzusammenfassen
Domänenadaptives Textzusammenfassen verfeinert oder passt ein vortrainiertes Sequenz-zu-Sequenz-Sprachmodell an einen Zielkorpus an, sodass Zusammenfassungen domänenspezifischen Vokabular, Stil und faktischen Einschränkungen entsprechen. Es überbrückt die Lücke zwischen allgemeinen Zusammenfassungsmodellen, die auf Nachrichten- oder Webdaten trainiert wurden, und spezialisierten Domänen wie biomedizinischer Literatur, juristischen Dokumenten, wissenschaftlichen Arbeiten oder Finanzberichten.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Fabbri, A. R., KryŜiński, W., McCann, B., Xiong, C., Socher, R., & Radev, D. (2021). SummEval: Re-evaluating Summarization Evaluation. Transactions of the Association for Computational Linguistics, 9, 391–409. DOI: 10.1162/tacl_a_00373 ↗
- Maynez, J., Narayan, S., Bohnet, B., & McDonald, R. (2020). On Faithfulness and Factuality in Abstractive Summarization. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL 2020), pp. 1906–1919. DOI: 10.18653/v1/2020.acl-main.173 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Domain-adaptive Text Summarization (Domain Adaptation for Abstractive and Extractive Summarization). ScholarGate. https://scholargate.app/de/deep-learning/domain-adaptive-text-summarization
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- BERT-basierte KlassifikationDeep Learning↔ compare
- Domänenadaptives BERT-basiertes KlassifizierenDeep Learning↔ compare
- Domänenadaptives Named-Entity-RecognitionDeep Learning↔ compare
- Feinabgestimmte TextzusammenfassungDeep Learning↔ compare
- Multimodale TextzusammenfassungDeep Learning↔ compare
- Transfer Learning mit TextzusammenfassungDeep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →