Coreference Graph Guidance for Mind-Map Generation

要約

マインドマップ生成の目的は、文書を階層構造に処理して、その中心的なアイデアと分岐を示すことです。
このような方法は、プレーン テキストよりもドキュメントのロジックとセマンティクスを理解するのに役立ちます。
最近、最先端の方法により、文書の文が順番にエンコードされ、sequence-to-graph を介して関係グラフに変換されます。
この方法はマインドマップを並行して生成するのに効率的ですが、そのメカニズムは構造情報をほとんど捕捉せず、連続的な特徴に重点を置いています。
さらに、長期的な意味関係をモデル化することは困難です。
この研究では、外部構造知識を組み込むための共参照ガイド付きマインドマップ生成ネットワーク (CMGN) を提案します。
具体的には、共参照意味関係に基づいて共参照グラフを構築し、グラフ構造情報を導入します。
次に、共参照グラフ エンコーダーを使用して、文間の潜在的な支配関係をマイニングします。
ノイズを排除し、共参照グラフの情報をより有効に活用するために、対比学習方式でグラフ強調モジュールを採用します。
実験結果は、私たちのモデルが既存のすべての方法よりも優れていることを示しています。
このケーススタディは、私たちのモデルが文書の構造と意味論をより正確かつ簡潔に明らかにできることをさらに証明しています。
コードとデータは https://github.com/Cyno2232/CMGN で入手できます。

要約(オリジナル)

Mind-map generation aims to process a document into a hierarchical structure to show its central idea and branches. Such a manner is more conducive to understanding the logic and semantics of the document than plain text. Recently, a state-of-the-art method encodes the sentences of a document sequentially and converts them to a relation graph via sequence-to-graph. Though this method is efficient to generate mind-maps in parallel, its mechanism focuses more on sequential features while hardly capturing structural information. Moreover, it’s difficult to model long-range semantic relations. In this work, we propose a coreference-guided mind-map generation network (CMGN) to incorporate external structure knowledge. Specifically, we construct a coreference graph based on the coreference semantic relationship to introduce the graph structure information. Then we employ a coreference graph encoder to mine the potential governing relations between sentences. In order to exclude noise and better utilize the information of the coreference graph, we adopt a graph enhancement module in a contrastive learning manner. Experimental results demonstrate that our model outperforms all the existing methods. The case study further proves that our model can more accurately and concisely reveal the structure and semantics of a document. Code and data are available at https://github.com/Cyno2232/CMGN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google