A Hybrid Text Summarization Approach Using Neural Networks and Metaheuristic Algorithms
Notice bibliographique
Résumé
The rapid growth of text data on the Internet requires effective automatic text summarization techniques.This study proposes a hybrid text summarization approach that combines a Multi-hidden Recurrent Neural Network and a mayfly-harmony search algorithm.The neural network generates a feature vector for each sentence.The mayflyharmony search algorithm then optimizes the feature weights to extract the most relevant sentences for the summary.This manuscript capacity provides essential information and expertise that can be effectively summarised using Efficient Abstractive Text Summarising (EATS) techniques.This project aimed to extract informative summaries from various articles by utilizing regularly utilized handcrafted elements from literature.A Multi-hidden Recurrent Neural Network (MRNN) was used to generate a feature vector, and a new feature assortment strategy called Mayfly-Harmony Search (MHS) was applied for feature extraction.The number of sentences, word frequency, title similarity, term frequency-inverse sentence frequency, sentence location, sentence length, sentencesentence similarity, sentence phrases, proper nouns, n-gram co-occurrence, and document length were the features used.By taking diverse Mayfly Algorithm explanations found from other expanses of the search space and processing them with Harmony Search, the suggested hybrid of the Mayfly Algorithm and Harmony Search was employed to produce superior results.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».