Machine learningDeep learning / NLP / CV

Προσαρμοσμένη Περίληψη Κειμένου

Η προσαρμοσμένη περίληψη κειμένου προσαρμόζει ένα μεγάλο προεκπαιδευμένο μοντέλο ακολουθίας-προς-ακολουθία — όπως το BART, το T5 ή το PEGASUS — για να παράγει συνοπτικές περιλήψεις εγγράφων, εκπαιδεύοντας το σε ζεύγη (έγγραφο, περίληψη) ειδικά για τον τομέα. Η προσέγγιση αποδίδει σημαντικά πιο ευφραδείς και πιστές περιλήψεις από τις εξαγωγικές ή τις γενικές προσεγγίσεις, αξιοποιώντας τη γνώση που κωδικοποιείται σε δισεκατομμύρια διακριτικά προεκπαίδευσης.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

+1 more

Πηγές

  1. Zhang, J., Zhao, Y., Saleh, M., & Liu, P. J. (2020). PEGASUS: Pre-training with Extracted Gap-sentences for Abstractive Summarization. Proceedings of the 37th International Conference on Machine Learning (ICML), 119, 11328–11339. link
  2. Lewis, M., Liu, Y., Goyal, N., Ghazvininejad, M., Mohamed, A., Levy, O., Stoyanov, V., & Zettlemoyer, L. (2020). BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL), 7871–7880. DOI: 10.18653/v1/2020.acl-main.703

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Sequence-to-Sequence Model for Text Summarization. ScholarGate. https://scholargate.app/el/deep-learning/fine-tuned-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.

Compare side by side

Αναφέρεται από

ScholarGateFine-Tuned Text Summarization (Fine-Tuned Pre-trained Sequence-to-Sequence Model for Text Summarization). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/deep-learning/fine-tuned-text-summarization · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026