In this paper we propose a model fo

In this paper we propose a model for sum-marization that incorporates compression into the
task. A key insight in our approach is to formulate summarization as a phrase rather than sentence extraction problem. Compression falls naturally out of this formulation as only phrases deemed important should appear in the summary. Obviously,our output summaries must meet additional requirements such as sentence length, overall length, topic coverage and,importantly, grammaticality.We combine phrase and dependency information into a single data structure, which allows us to express grammaticality as constraints across phrase dependencies. We encode these constraints through the use of integer linear programming (ILP), a well-studied optimization framework that is able to search the entire solution space
efficiently. We apply our model to the task of generating highlights for a single document. Examples of CNN news articles with human-authored highlights are shown in Table 1. Highlights give a brief overview of the article to allow readers to quickly gather information on stories, and usually appear as bullet points. Importantly, they represent the gist of the entire document and thus often differ substantially from the first n sentences in the article (Svore et al., 2007). They are also highly compressed, written in a telegraphic style and thus provide an excellent testbed for models that generate compressed summaries. Experimental results show that our model’s output is comparable to hand-written highlights both in terms of
grammaticality and informativeness.

Kết quả (Việt) 1:

Trong bài này, chúng tôi đề xuất một mô hình cho số tiền-marization mà kết hợp nén thành cácnhiệm vụ. Một cái nhìn sâu sắc quan trọng trong cách tiếp cận của chúng tôi là xây dựng tổng hợp là một vấn đề khai thác cụm từ chứ không phải là câu. Nén rơi tự nhiên ra khỏi điều này xây dựng khi cụm từ chỉ coi là quan trọng nên xuất hiện trong phần tóm tắt. Rõ ràng, chúng tôi tóm tắt đầu ra phải đáp ứng các yêu cầu bổ sung chẳng hạn như câu chiều dài, chiều dài tổng thể, chủ đề bảo hiểm, và quan trọng, grammaticality. Chúng tôi kết hợp thông tin về cụm từ và phụ thuộc vào một cấu trúc dữ liệu duy nhất, cho phép chúng tôi để nhận grammaticality như những hạn chế trên cụm từ phụ thuộc. Chúng tôi mã hóa những khó khăn bằng cách sử dụng số nguyên tuyến tính lập trình (ILP), một khuôn khổ tối ưu hóa được nghiên cứu có thể tìm kiếm các giải pháp toàn bộ không gianhiệu quả. Chúng tôi áp dụng mô hình của chúng tôi cho việc tạo ra điểm nổi bật cho một tài liệu duy nhất. Các ví dụ của CNN tin tức bài viết có điểm nổi bật của con người tác giả được hiển thị trong bảng 1. Điểm nổi bật cho một tổng quan về bài viết để cho phép độc giả để nhanh chóng thu thập thông tin về những câu chuyện, và thường xuất hiện như bullet điểm. Quan trọng, họ đại diện cho ý chính của toàn bộ tài liệu và do đó thường khác nhau đáng kể từ n câu đầu tiên trong bài viết (Svore và ctv., 2007). Họ được cũng rất nén, viết bằng một phong cách điện báo và do đó cung cấp cho một thử nghiệm tuyệt vời cho các mô hình tạo ra tóm tắt nén. Hiển thị kết quả thử nghiệm của chúng tôi mẫu của sản lượng là tương đương để viết tay điểm nổi bật cả hai vềgrammaticality và informativeness.

Kết quả (Việt) 2:

Trong bài báo này chúng tôi đề xuất một mô hình để tổng hợp marization mà kết hợp nén vào
nhiệm vụ. Một cái nhìn sâu sắc quan trọng trong cách tiếp cận của chúng tôi là xây dựng tổng hợp là một cụm từ chứ không phải là vấn đề khai thác câu. Nén rơi tự nhiên ra khỏi công thức này như là cụm từ chỉ coi là quan trọng nên xuất hiện trong phần tóm tắt. Rõ ràng, tóm tắt đầu ra của chúng tôi phải đáp ứng yêu cầu bổ sung như chiều dài câu, chiều dài tổng thể, bảo hiểm chủ đề và, quan trọng, kết hợp cụm từ grammaticality.We và phụ thuộc thông tin vào một cấu trúc dữ liệu duy nhất, cho phép chúng tôi bày tỏ grammaticality như những hạn chế trên toàn phụ thuộc cụm từ. Chúng ta mã hóa những khó khăn thông qua việc sử dụng các lập trình tuyến tính số nguyên (ILP), một khung tối ưu hóa được nghiên cứu có khả năng tìm kiếm toàn bộ không gian giải pháp
hiệu quả. Chúng tôi áp dụng mô hình của chúng tôi với nhiệm vụ tạo điểm nhấn cho một tài liệu duy nhất. Ví dụ về các bài báo tin tức CNN với điểm nổi bật của con người tác giả được thể hiện trong Bảng 1. Những điểm nổi bật cho một tổng quan ngắn gọn của bài viết để cho phép người đọc nhanh chóng thu thập thông tin về những câu chuyện, và thường xuất hiện như điểm đạn. Quan trọng hơn, họ đại diện cho ý chính của toàn bộ tài liệu và do đó thường có sự khác biệt đáng kể từ những câu n đầu tiên trong bài viết (Svore et al., 2007). Họ cũng được đánh nén, viết bằng một phong cách điện báo và do đó cung cấp một nền tảng thử nghiệm tuyệt vời cho các mô hình tạo ra bản tóm tắt nén. Kết quả thử nghiệm cho thấy sản lượng mô hình của chúng tôi là so sánh với điểm nổi bật viết tay cả về
grammaticality và informativeness.