Weakly supervised text summarization
Weakly supervised text summarization trains abstractive or extractive summarization models without manually annotated reference summaries. Instead of costly human labels, it exploits weak signals — heuristic rules, distant supervision, noisy automatic labels, or self-supervised objectives — to guide sequence-to-sequence or transformer models toward producing coherent, concise summaries of input documents.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
- Amplayo, R. K., & Lapata, M. (2020). Unsupervised Opinion Summarization with Noisy Autoencoder. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, 1934–1945. · URL
- Huang, L., Wu, L., & Wang, L. (2020). Knowledge Graph-Augmented Abstractive Summarization with Semantic-Driven Cloze Reward. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, 5094–5107. · URL
Kuratoituja väitteitä
Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.
Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.
Liittyvät metodit
Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.