Dostrajanie podsumowywania tekstu
Dostrajanie podsumowywania tekstu adaptuje duży, wstępnie wytrenowany model sekwencja-sekwencja — taki jak BART, T5 lub PEGASUS — do generowania zwięzłych podsumowań dokumentów poprzez trenowanie na parach (dokument, podsumowanie) specyficznych dla danej dziedziny. Podejście to daje znacznie płynniejsze i wierniejsze podsumowania niż metody ekstrakcyjne lub ogólne, wykorzystując wiedzę zakodowaną w miliardach tokenów z wstępnego trenowania.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Sequence-to-Sequence Model for Text Summarization. ScholarGate. https://scholargate.app/pl/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.
- Klasyfikacja oparta na BERTUczenie głębokie↔ compare
- Klasyfikacja oparta na dostrojonym modelu BERTUczenie głębokie↔ compare
- Dostrajanie odpowiedzi na pytaniaUczenie głębokie↔ compare
- Klasyfikacja oparta na RoBERTaUczenie głębokie↔ compare
- Osadzanie zdańUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →