Riassunto di Testi con Fine-Tuning
Il Riassunto di Testi con Fine-Tuning adatta un modello "sequence-to-sequence" pre-addestrato di grandi dimensioni — come BART, T5 o PEGASUS — per generare riassunti concisi di documenti, addestrandolo su coppie (documento, riassunto) specifiche del dominio. L'approccio produce riassunti sostanzialmente più fluidi e fedeli rispetto agli approcci estrattivi o generici, sfruttando la conoscenza codificata in miliardi di token di pre-addestramento.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Sequence-to-Sequence Model for Text Summarization. ScholarGate. https://scholargate.app/it/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.
- Classificazione basata su BERTApprendimento profondo↔ compare
- Classificazione basata su BERT fine-tunedApprendimento profondo↔ compare
- Question Answering Fine-TunedApprendimento profondo↔ compare
- Classificazione basata su RoBERTaApprendimento profondo↔ compare
- Sentence EmbeddingsApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →