Summarization In order to examine t

Summarization In order to examine the generality
of our model and compare with previous
work, we also evaluated our system on a vanilla
summarization task. Specifically, we used the
same model (trained on the CNN corpus) to generate
summaries for the DUC-2002 corpus2
. We
report results on the entire dataset and on a subset
containing 140 documents. This is the same partition
used by Martins and Smith (2009) to evaluate
their ILP model.3
Baselines We compared the output of our model
to two baselines. The first one simply selects
the “leading” three sentences from each document
(without any compression). The second baseline
is the output of a sentence-based ILP model, similar
to our own, but simpler. The model is given
in (2). The binary decision variables x ∈ {0,1}
|S|
now represent sentences, and fi
the salience score
for each sentence. The objective again is to maximize
the total score, but now subject only to
tf.idf coverage (2b) and a limit on the number of highlights (2c) which we set to 3. There are no
sentence length or grammaticality constraints, as
there is no sentence compression

Kết quả (Việt) 1:

Tổng hợp trong đặt hàng để kiểm tra các quátcủa chúng tôi mẫu và so sánh với trướccông việc, chúng tôi cũng đánh giá hệ thống của chúng tôi trên một vaninhiệm vụ tổng hợp. Cụ thể, chúng tôi sử dụng cáccùng một mô hình (được đào tạo về các văn thể CNN) để tạo raTóm lược cho corpus2 Đức-2002. Chúng tôibáo cáo kết quả trên toàn bộ số liệu và trên một tập hợp concó 140 tài liệu. Đây là cùng một phân vùngđược sử dụng bởi Martins và Smith (2009) để đánh giácủa model.3 ILPĐường cơ sở chúng tôi so sánh sản lượng của mô hình của chúng tôiđể hai đường cơ sở nhất. Người đầu tiên chỉ đơn giản là chọnba câu "hàng đầu" từ mỗi tài liệu(không có bất kỳ nén). Đường cơ sở thứ hailà đầu ra của một câu dựa trên ILP mô hình, tương tự nhưđể ta, nhưng đơn giản. Các mô hình được đưa raở (2). Nhị phân quyết định biến x ∈ {0,1}| S|bây giờ đại diện cho câu, và fisố điểm nhôcho mỗi câu. Mục tiêu một lần nữa là để tối đa hóaTổng số điểm, nhưng bây giờ đối tượng chỉ đểTF.IDF bảo hiểm (2b) và một giới hạn về số lượng các điểm nổi bật (2c) chúng tôi thiết lập để 3. Có không cócâu dài hoặc grammaticality những hạn chế, nhưcó là không nén câu

Kết quả (Việt) 2:

Summarization Để kiểm tra tính tổng quát
của mô hình của chúng tôi và so sánh với trước đây
làm việc, chúng tôi cũng đánh giá hệ thống của chúng tôi về một vanilla
nhiệm vụ tổng kết. Cụ thể, chúng tôi sử dụng các
mô hình tương tự (được đào tạo trên corpus CNN) để tạo ra
bản tóm tắt cho các corpus2
ĐỨC-2002. Chúng tôi
báo cáo kết quả trên toàn bộ số liệu và trên một tập hợp con
chứa 140 tài liệu. Đây là cùng một phân vùng
được sử dụng bởi Martins và Smith (2009) để đánh giá
ILP model.3 họ
Đường cơ sở Chúng tôi so sánh đầu ra của mô hình của chúng tôi
để hai đường cơ sở. Người đầu tiên chỉ đơn giản là lựa chọn
các "hàng đầu" ba câu từ mỗi tài liệu
(không có bất kỳ nén). Các cơ sở thứ hai
là sản phẩm của một mô hình dựa trên câu ILP, tương tự
cho chính chúng ta, nhưng đơn giản hơn. Mô hình này được đưa ra
trong (2). Các biến quyết định nhị phân x ∈ {0,1}
| S |
doanh nghiệp đại diện cho câu, và fi
số điểm nổi bật
cho mỗi câu. Mục tiêu lại là tối đa hóa
tổng số điểm, nhưng bây giờ chỉ tuân
tf.idf bảo hiểm (2b) và một giới hạn về số lượng các điểm nổi bật (2c) mà chúng tôi đặt lên 3. Không có
chiều dài câu hay grammaticality hạn chế, như
có không nén câu