.png){kind=icon}
返回
Adaptive Multidocument Summarization Via Graph Representation Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TCDS.2024.3519181.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多文档摘要（MDS）的目标是从多个文档中生成全面且简洁的摘要，该摘要不仅应语法正确，还应语义上包含整体文本的提炼内容。现有的基于顺序预训练大型语言模型的摘要器通常将文档认知为线性序列，这忽略了文档内部或文档间句子和段落之间的层级结构关联。此外，这些模型在处理长文本输入方面也存在局限性。为缓解这两个问题，提出了一种多文档摘要模型，构建了包含句子、段落和文档的异构图，称为HeterMDS，以揭示文档内的深层语义意义和局部-全局上下文。通过整合大型语言模型与带有引导式图潜变量的图编码器，所提出的HeterMDS能够学习语义丰富的文档表示，并生成连贯、简洁且事实一致的摘要。它可灵活应用于当前的预训练语言模型，有效提升其在MDS任务中的性能。广泛的实验结果验证了所提HeterMDS及其包含模块的有效性，并展示了其与当前最优模型的竞争力。
Keyword:
Bootstrapped graph latents
graph representation learning
heterogeneous graph
large language models
multidocument summarization
期刊
IF:
4.9
论文数:
1.0K
被引数:
3.5K
机构
引用论文
Named Entity Recognition Under Domain Shift via Metric Learning for Life Sciences领域漂移下的生物科学命名实体识别：基于度量学习
.png){kind=icon}
PREAI
分享收藏Contrastive Graph Convolutional Networks with adaptive augmentation for text classification基于自适应增强的对比图卷积网络文本分类
PREAI
分享收藏
Knowledge-Infused Prompting: Assessing and Advancing Clinical Text Data Generation with Large Language Models知识融入提示：评估和推进大型语言模型在临床文本数据生成中的应用
PREAI
分享收藏分享收藏Multi-News: A Large-Scale Multi-Document Summarization Dataset and Abstractive Hierarchical Model
OAAI
OAAI分享收藏
查看更多内容