Machine learningDeep learning / NLP / CV

Adaptation de domaine pour la résumé de texte

L'adaptation de domaine pour le résumé de texte ajuste ou adapte un modèle de langage pré-entraîné séquence-à-séquence sur un corpus de domaine cible afin que les résumés soient conformes au vocabulaire, au style et aux contraintes factuelles spécifiques au domaine. Elle comble le fossé entre les modèles de résumé à usage général entraînés sur des données d'actualités ou du web et les domaines spécialisés tels que la littérature biomédicale, les documents juridiques, les articles scientifiques ou les rapports financiers.

Ouvrir dans MethodMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

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

Sources

  1. 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
  2. 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

Comment citer cette page

ScholarGate. (2026, June 3). Domain-adaptive Text Summarization (Domain Adaptation for Abstractive and Extractive Summarization). ScholarGate. https://scholargate.app/fr/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.

Compare side by side
ScholarGateDomain-adaptive Text Summarization (Domain-adaptive Text Summarization (Domain Adaptation for Abstractive and Extractive Summarization)). Consulté le 2026-06-15 sur https://scholargate.app/fr/deep-learning/domain-adaptive-text-summarization · Jeu de données : https://doi.org/10.5281/zenodo.20539026