ScholarGate
Ассистент
Machine learningDeep learning / NLP / CV

Дообученная суммаризация текстов

Дообученная суммаризация текстов адаптирует большую предварительно обученную модель последовательность-в-последовательность — такую как BART, T5 или PEGASUS — для генерации кратких резюме документов путем обучения на парах (документ, резюме) из конкретной предметной области. Этот подход обеспечивает значительно более плавные и точные резюме, чем экстрактивные или общие подходы, за счет использования знаний, закодированных в миллиардах токенов предварительного обучения.

Открыть в MethodMindСкороВидеоСкороDownload slides

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Method map

The neighbourhood of related methods — select a node to explore.

+1 more

Источники

  1. 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
  2. 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

Как цитировать эту страницу

ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Sequence-to-Sequence Model for Text Summarization. ScholarGate. https://scholargate.app/ru/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.

Compare side by side

Упоминается в

ScholarGateFine-Tuned Text Summarization (Fine-Tuned Pre-trained Sequence-to-Sequence Model for Text Summarization). Получено 2026-06-15 из https://scholargate.app/ru/deep-learning/fine-tuned-text-summarization · Набор данных: https://doi.org/10.5281/zenodo.20539026