Machine learningDeep learning / NLP / CV

Domain-adaptive Text Summarization

A domain-adaptive text summarization finomhangolja vagy adaptálja az előképzett, szekvencia-szekvenciás nyelvi modellt egy célzott doméncorpuson, hogy az összefoglalók megfeleljenek a doménspecifikus szókincsnek, stílusnak és ténybeli korlátoknak. Ez áthidalja a rés a hír- vagy webalapú adatokon tanított általános célú összefoglaló modellek és a specializált domének, mint például az orvosi szakirodalom, jogi dokumentumok, tudományos cikkek vagy pénzügyi jelentések között.

Megnyitás itt: MethodMindHamarosanVideóHamarosanDownload slides

A teljes módszer elolvasása

Csak tagoknak

Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.

Bejelentkezés

Method map

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

Források

  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

Hogyan hivatkozzon erre az oldalra

ScholarGate. (2026, June 3). Domain-adaptive Text Summarization (Domain Adaptation for Abstractive and Extractive Summarization). ScholarGate. https://scholargate.app/hu/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)). Letöltve 2026-06-15, forrás: https://scholargate.app/hu/deep-learning/domain-adaptive-text-summarization · Adatkészlet: https://doi.org/10.5281/zenodo.20539026