Teksta kopsavilkumu precizēšana
Teksta kopsavilkumu precizēšana (Fine-Tuned Text Summarization) pielāgo lielo iepriekš apmācīto sekvenču-sekvenču modeli — piemēram, BART, T5 vai PEGASUS — lai radītu kodolīgus dokumentu kopsavilkumus, apmācot to uz domēnspecifiskiem (dokuments, kopsavilkums) pāriem. Šī pieeja nodrošina ievērojami plūstošākus un uzticamākus kopsavilkumus nekā ekstraktīvās vai vispārīgās pieejas, izmantojot zināšanas, kas kodētas miljardos iepriekš apmācības marķieru.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Sequence-to-Sequence Model for Text Summarization. ScholarGate. https://scholargate.app/lv/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.
- BERT klasifikācijaDziļā mācīšanās↔ compare
- Klasifikācija, kas pielāgota ar BERTDziļā mācīšanās↔ compare
- Jautājumu atbildēšanas sistēmas ar smalku regulēšanuDziļā mācīšanās↔ compare
- Klasifikācija, kas balstīta uz RoBERTaDziļā mācīšanās↔ compare
- Ievietojumi teikumiemDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →