Proceedings of the Workshop on New Frontiers in Summarization
Notice bibliographique
Résumé
With the prevalence of video sharing, there are increasing demands for automatic video digestion such as highlight detection.Recently, platforms with crowdsourced time-sync video comments have emerged worldwide, providing a good opportunity for highlight detection.However, this task is non-trivial: (1) time-sync comments often lag behind their corresponding shot; (2) time-sync comments are semantically sparse and noisy; (3) to determine which shots are highlights is highly subjective.The present paper aims to tackle these challenges by proposing a framework that (1) uses concept-mapped lexical-chains for lagcalibration; (2) models video highlights based on comment intensity and combination of emotion and concept concentration of each shot; (3) summarize each detected highlight using improved SumBasic with emotion and concept mapping.Experiments on large real-world datasets show that our highlight detection method and summarization method both outperform other benchmarks with considerable margins.𝜏 67889:; for number of comments in each highlight summary.Our task is to (1) generate a set of highlight shots 𝑆(𝒗) = {𝑠 % , 𝑠 ' , 𝑠 ( , … , 𝑠 @ }, and (2) highlight summaries Α 𝒗 = {𝐼 % , 𝐼 ' , 𝐼 ( , … , 𝐼 @ } as close to ground truth as possible.Each highlight summary comprises a subset of all the comments in this shot: 𝐼 2 = {𝑐 % , 𝑐 ' , 𝑐 ( , … , 𝑐 @ C }. Number of highlight shots 𝑛 and number of comments in summary 𝑛 2 are determined by 𝜏 123142315 and 𝜏 67889:; respectively. Video Highlight DetectionIn this section, we introduce our framework for highlight detection.Two preliminary tasks are also described, namely construction of global timesync comment word embedding and emotion lexicon. 4.1
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 0,011 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,051 | 0,023 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».