Peringkasan Teks Berbantukan Kelemahan
Peringkasan teks berbantukan kelemahan melatih model peringkasan abstrak atau estraktif tanpa ringkasan rujukan yang dianotasi secara manual. Sebaliknya daripada label manusia yang mahal, ia memanfaatkan isyarat lemah — peraturan heuristik, penyeliaan jarak jauh, label automatik yang bising, atau objektif kendiri-penyeliaan — untuk membimbing model jujukan-ke-jujukan atau transformer ke arah menghasilkan ringkasan dokumen input yang koheren dan ringkas.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Weakly Supervised Text Summarization. ScholarGate. https://scholargate.app/ms/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.
- Pembelajaran Kendiri-PenyeliaanPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →