10.19678/j.issn.1000-3428.0057448
融合文本分类的多任务学习摘要模型
文本摘要应包含源文本中所有重要信息,传统基于编码器-解码器架构的摘要模型生成的摘要准确性较低.根据文本分类和文本摘要的相关性,提出一种多任务学习摘要模型.从文本分类辅助任务中学习抽象信息改善摘要生成质量,使用K-means聚类算法构建Cluster-2、Cluster-10和Cluster-20文本分类数据集训练分类器,并研究不同分类数据集参与训练对摘要模型的性能影响,同时利用基于统计分布的判别法全面评价摘要准确性.在CNNDM测试集上的实验结果表明,该模型在ROUGE-1、ROUGE-2和ROUGE-L指标上相比强基线模型分别提高了0.23、0.17和0.31个百分点,生成摘要的准确性更高.
编码器-解码器架构、文本摘要、文本分类、多任务学习、聚类算法、统计分布
47
TP391(计算技术、计算机技术)
国家自然科学基金61772562
2021-05-07(万方平台首次上网日期,不代表论文的发表时间)
共8页
48-55