State Space Models for Extractive Summarization in Low Resource Scenarios

要約

抽出的な要約には、テキストから最も関連性の高い文を選択することが含まれます。
最近、研究者は、リソースの低い設定で最先端の結果を改善するための方法の前進に焦点を当てています。
これらの進歩に動機付けられ、Mpoincaresum法を提案します。
この方法は、マンバ状態空間モデルを適用して、レビューと文のセマンティクスを生成し、それが連結されます。
ポインコン圧縮は、最も意味のある機能を選択するために使用され、その後、対応するレビューに基づいて文の関連性を予測するために線形層を適用します。
最後に、関連文を言い換えて、最終的な要約を作成します。
Mpoincaresumの有効性を評価するために、Amazon Review Datasetを使用して広範な実験を実施しました。
メソッドのパフォーマンスは、ルージュスコアを使用して評価されました。
実験結果は、Mpoincaresumが文献のいくつかの既存のアプローチよりも優れていることを示しています

要約(オリジナル)

Extractive summarization involves selecting the most relevant sentences from a text. Recently, researchers have focused on advancing methods to improve state-of-the-art results in low-resource settings. Motivated by these advancements, we propose the MPoincareSum method. This method applies the Mamba state space model to generate the semantics of reviews and sentences, which are then concatenated. A Poincare compression is used to select the most meaningful features, followed by the application of a linear layer to predict sentence relevance based on the corresponding review. Finally, we paraphrase the relevant sentences to create the final summary. To evaluate the effectiveness of MPoincareSum, we conducted extensive experiments using the Amazon review dataset. The performance of the method was assessed using ROUGE scores. The experimental results demonstrate that MPoincareSum outperforms several existing approaches in the literature

arxiv情報

提供元, 利用サービス

arxiv.jp, Google