Résumé de texte affiné
Le résumé de texte affiné adapte un grand modèle pré-entraîné séquence-à-séquence — tel que BART, T5 ou PEGASUS — pour générer des résumés concis de documents en s'entraînant sur des paires (document, résumé) spécifiques au domaine. Cette approche produit des résumés substantiellement plus fluides et fidèles que les approches extractives ou génériques en exploitant les connaissances encodées dans des milliards de jetons de pré-entraînement.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Sources
- 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 ↗
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Sequence-to-Sequence Model for Text Summarization. ScholarGate. https://scholargate.app/fr/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.
- Classification basée sur BERTApprentissage profond↔ compare
- Classification par BERT affinéApprentissage profond↔ compare
- Question-Réponse affinéeApprentissage profond↔ compare
- Classification basée sur RoBERTaApprentissage profond↔ compare
- Plongements de phrasesApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →