خلاصه سازی انتزاعی متن

خلاصه سازی انتزاعی متن (ATS) وظیفه جمع آوری اطلاعات از مقالات و منابع مختلف و فشرده سازی آن ها به گونه ای که محتوا گم نشده و به خوبی نمایش داده شود و اطلاعاتی از دست نرود. ATS به خلاصه های تولید شده توسط انسان نزدیک تر است و قابلیت نمایش و ترکیب چندین اطلاعات را دارد. با ظهور معماری های عمیق (deep learning)، بسیاری از وظایف مربوط به پردازش زبان طبیعی به کارایی بالا و پایدار و قابل مقایسه ای دست یافتند؛ در ترجمه ماشینی ، تشخیص گفتار، شرح تصاویر و بسیاری دیگر از مدل های توالی به ترتیب ، سودمند بوده و نتایج امیدوار کننده ای را نشان داده است . ابزارهای زبانی مانند برچسب گذاری های بخش گفتار،Named Enity Recognizer برای زبان های هندی چندان رقابتی نیستند و از این رو، تکنیک های خاص زبان برای زبان های هندی، خیلی خوب عمل نمی کنند. تکنیک های عمیق زبان، اگوستیک هستند؛ از این رو می توانند بر این کاستی ها غلبه کنند. در این مقاله ، شبکه های مولد برای ایجاد جوهره برای ایجاد قطعه طولانی تر متن در ارتباط با تشخیص بازنویسی تاکید می شوند.در این مقاله ، ما یک فرایند متضاد را برای خلاصه سازی انتزاعی متن پیشنهاد می کنیم ،که در آن ما به طور هم زمان یک مدل تولیدی G و یک مدل افتراقی ۱ D آموزش می دهیم . به ویژه، ما مولد G را به عنوان عامل یادگیری تقویتی می سازیم که متن خام را به عنوان ورودی و خلاصه انتزاعی را پیش بینی می کند. ما همچنین یک تمایز ایجاد می کنیم که سعی می کند خلاصه تولید شده را از خلاصه حقیقت پایه متمایز کند. در این مقاله یک رویکرد ترکیبی برای تولید خلاصه انتزاعی خلاصه شده است که در آن جملات با استفاده از روابط سطح جمله بین جملات در ارتباط با اصل خوشه بندی مارکوف ، خوشه بندی می شود. سپس رتبه بندی جملات در هر خوشه انجام می شود و در صورت امکان جملات وزنی بالای هر خوشه با استفاده از برخی قواعد زبانی با بهترین عناصر آن ترکیب می شود.

کلیدواژه ها:

خلاصه سازی انتزاعی متن (ATS) ، جمع آوری اطلاعات ، فشرده سازی اطلاعات ، ابزارهای زبانی ، شبکه های مولد ، تشخیص بازنویسی ، یادگیری تقویتی