Semi-supervised Text Summarization
Semi-supervised text summarization trains summarization models by leveraging large amounts of unlabeled text alongside a small set of human-written reference summaries. By using techniques such as language-model pretraining, pseudo-labeling, and self-training, these methods substantially reduce the annotation burden while maintaining competitive ROUGE scores on benchmark datasets.
Rekod sumber
Petikan disalin secara verbatim daripada rekod sumber kaedah. Tiada pengesahan peringkat tuntutan disimpulkan daripadanya.
- He, J., Zhou, C., Ma, X., Berg-Kirkpatrick, T., & Neubig, G. (2020). Revisiting Semi-Supervised Learning for Neural Sequence Generation. In Proceedings of ICLR 2020. · URL
- Automatic summarization. Wikipedia. · URL
Tuntutan yang dikurasi
Tuntutan disimpan dalam lejar bukti, setiap satu dengan penilaiannya sendiri.
Pandangan ini tidak mencipta penilaian tuntutan apabila lejar tiada.
Kaedah berkaitan
Dijana daripada graf kaedah dan ditunjukkan sebagai perhubungan yang dicadangkan mesin — tiada tuntutan bukti disimpulkan.
Graf perhubungan yang dijana tiada perhubungan keluar untuk kaedah ini.