Hierarchical Attention Multi Model Deep Learning for Multi Document Summarization

doi:10.1142/S0218488526500108

Hierarchical Attention Multi Model Deep Learning for Multi Document Summarization

2026-03-01

0

PRE

AI

DOI：10.1142/S0218488526500108

原文链接

原文求助

摘要

En 中文

如今，随着科学技术各领域的进步，海量信息在互联网上易于获取。这有助于用户根据需求快速收集大量信息，但同时也导致了严重的阅读障碍和获取可用信息的困难。因此，通常采用不同的摘要技术从源文档中检索相关信息。多文档摘要有助于从多组文档中总结文本，但所使用的文本摘要技术有限，并且在摘要过程中还面临文本冗余问题。因此，本研究设计了一种蓝猴集成水鸡优化-分层注意力多模态深度学习（BMICO-HAMDL）模型用于多文档摘要。输入的多文档标记通过双向Transformer编码器表示（BERT）分词提取，并使用不同的特征提取器从标记中提取特征。提取的特征通过HAMDL进行多文档摘要，其中BMICO用于微调HAMDL模型的最优权重。此外，实验结果表明，BMICO-HAMDL在rouge、召回率、精确率和F值分别达到85.88%、96%、94.79%和95.39%的最高性能。

Keyword:

Hierarchical attention multimodal deep learning model

hierarchical attention network

random multimodal deep learning

blue monkey

coot algorithm

Hierarchical Attention Multi Model Deep Learning for Multi Document Summarization

摘要

期刊

机构

引用论文