ScholarGate
Assistent
Machine learningDeep learning / NLP / CV

Överföringsinlärning med textsammanfattning

Överföringsinlärning med textsammanfattning anpassar en stor språkmodell som förtränats på breda textkorpusar — såsom T5, BART eller PEGASUS — till uppgiften att kondensera dokument till kortare, sammanhängande sammanfattningar. Genom att återanvända inlärd lingvistisk kunskap och finjustera på domänspecifika par av källdokument och referenssammanfattningar, uppnår detta tillvägagångssätt stark sammanfattningskvalitet med blygsamma krav på märkt data.

Öppna i MethodMindSnartVideoSnartDownload slides

Läs hela metoden

Endast för medlemmar

Logga in med ett kostnadsfritt konto för att läsa avsnittet.

Logga in

Method map

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

Källor

  1. Raffel, C., Shazeer, N., Roberts, A., Lee, K., Narang, S., Matena, M., Zhou, Y., Li, W., & Liu, P. J. (2020). Exploring the limits of transfer learning with a unified text-to-text transformer. Journal of Machine Learning Research, 21(140), 1–67. link
  2. Lewis, M., Liu, Y., Goyal, N., Ghahravi, M., Mohamed, A., Chen, D., Levy, O., & Zettlemoyer, L. (2020). BART: Denoising sequence-to-sequence pre-training for natural language generation, translation, and comprehension. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (pp. 7871–7880). ACL. DOI: 10.18653/v1/2020.acl-main.703

Så citerar du den här sidan

ScholarGate. (2026, June 3). Transfer Learning with Neural Text Summarization. ScholarGate. https://scholargate.app/sv/deep-learning/transfer-learning-with-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

Refereras av

ScholarGateTransfer Learning with Text Summarization (Transfer Learning with Neural Text Summarization). Hämtad 2026-06-15 från https://scholargate.app/sv/deep-learning/transfer-learning-with-text-summarization · Datamängd: https://doi.org/10.5281/zenodo.20539026