Résumé de texte faiblement supervisé
Le résumé de texte faiblement supervisé entraîne des modèles de résumé abstractif ou extractif sans résumés de référence annotés manuellement. Au lieu d'étiquettes humaines coûteuses, il exploite des signaux faibles — règles heuristiques, supervision distante, étiquettes automatiques bruitées ou objectifs auto-supervisés — pour guider les modèles "séquence-à-séquence" ou "transformer" vers la production de résumés cohérents et concis de documents d'entrée.
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.
Sources
- 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. link ↗
- 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. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Weakly Supervised Text Summarization. ScholarGate. https://scholargate.app/fr/deep-learning/weakly-supervised-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.
- Apprentissage auto-superviséApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →