การสรุปความข้อความแบบปรับละเอียด
การสรุปความข้อความแบบปรับละเอียด (Fine-Tuned Text Summarization) เป็นการปรับโมเดลลำดับขั้นสูงที่ได้รับการฝึกฝนล่วงหน้า (pre-trained sequence-to-sequence model) เช่น BART, T5, หรือ PEGASUS ให้สามารถสร้างบทสรุปที่กระชับของเอกสารได้ โดยการฝึกฝนด้วยคู่ข้อมูลเฉพาะทาง (เอกสาร, บทสรุป) วิธีการนี้ให้ผลลัพธ์บทสรุปที่มีความสละสลวยและถูกต้องแม่นยำกว่าวิธีการสกัด (extractive) หรือวิธีการทั่วไป (generic) อย่างมีนัยสำคัญ โดยอาศัยความรู้ที่ได้จากการฝึกฝนล่วงหน้าด้วยข้อมูลจำนวนมหาศาล
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Sequence-to-Sequence Model for Text Summarization. ScholarGate. https://scholargate.app/th/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.
- การจำแนกประเภทโดยใช้ BERTการเรียนรู้เชิงลึก↔ compare
- การจำแนกประเภทโดยใช้ BERT ที่ปรับละเอียดการเรียนรู้เชิงลึก↔ compare
- การตอบคำถามแบบปรับละเอียดการเรียนรู้เชิงลึก↔ compare
- การจำแนกประเภทโดยใช้ RoBERTaการเรียนรู้เชิงลึก↔ compare
- Sentence Embeddingsการเรียนรู้เชิงลึก↔ compare