2023

ACL

0 -《【模板】标题》

翻译：
  • 关键词：NLP
  • 数据集：
  • 方法介绍：
  • 结论
  • 实现：

1 -《Annotating and Detecting Fine-grained Factual Errors for Dialogue Summarization》

翻译：注释和检测细粒度事实错误以进行对话总结

  • 关键词：事实错误检测、事实错误注释、数据集：DIASUMFACT、模型方法：ENDERANKER

    事实错误注释/标注，作者使用DIASUMFACT数据集对对话摘要中的细粒度句子级事实错误进行了注释，包括错误类别、错误跨度和解释

事实错误的检测方案：

1.基于文本蕴含的模型（二分类）；

优点：有效地检测出事实错误；
缺点：需要大量标注数据的训练集

2.基于问答的模型

优点：易于纠正和理解
缺点：如何生成问题

模型方法：ENDERANKER

  1. 生成摘要：ENDERANKER使用不同的预训练编码器-解码器模型来生成摘要，包括T5、PEGASUS和BART等。

  2. 生成依存树：ENDERANKER使用Stanford CoreNLP工具生成摘要的依存树。

  3. 规则检测：ENDERANKER使用一组规则来检测依存树中的事实错误，包括错误类别、错误跨度和解释等。

  4. 模型检测：如果规则检测未能检测到错误，ENDERANKER将使用BERTMULTI模型来检测错误。

  5. 合并结果：ENDERANKER将规则检测和模型检测的结果合并起来，以获得最终的事实错误检测结果。

总的来说，ENDERANKER使用了多种技术来检测摘要中的事实错误，包括预训练编码器-解码器模型、依存树分析、规则检测和模型检测等。

2 -《Automated Metrics for Medical Multi-Document Summarization Disagree with Human Evaluations》

3 -《Cross-lingual Science Journalism: SELECT, SIMPLIFY and REWRITE Summaries for Non-expert Readers》

关键词：SSR框架、三个组件-SEKECT选候选摘要句子、SIMPLIFY生成一个语言的简单文本、REWRITE重写（采用的是mbart）、

九月

《Pretraining on the Test Set Is All You Need》

会议：？

时间：2023-09

link：https://arxiv.org/pdf/2309.08632.pdf

借助了一个高质量数据集（由huggingface上评估基准的数据集），来训练一个基于Transformer框架的模型，名为 phi-CTNL 的模型。

Summarization is (Almost) Dead

会议：

时间：2023-09

link：https://arxiv.org/pdf/2309.09558.pdf

使用LLMs模型，增对5个摘要任务