TESA: A task in entity semantic aggregation for abstractive automatic summarization
Notice bibliographique
Résumé
Au cours des dernières années, la quantité croissante de données textuelles disponibles, associée au développement de nouvelles technologies d'apprentissage machine, a conduit à des progrès significatifs dans de nombreux domaines du traitement automatique des langues, tels que le résumé automatique de texte, qui permet désormais de générer des résumés de plus en plus proches des standards humains.Cependant, les textes d'origine humaine contiennent en général des généralisations et des aggrégations sémantiques de leur contenu.Par exemple, dans un document, un texte peut faire référence à une paire d'entités nommées comme 'Londres' et 'Paris' avec diverses expressions telles que "les villes majeures", "les capitales" ou "deux villes européennes".Cependant, la génération automatique de texte, et plus particulièrement les systèmes de résumé automatique abstractifs, se sont concentrés largement sur la paraphrase et la simplification du document source, en excluant de telles capacités d'abstraction sémantiques.Dans cette thèse, nous présentons une nouvelle base de données et une tâche, nommées TESA, visant à l'aggrégation sémantique d'entités.TESA contient 5.3K aggrégations d'entités, crowdsourcées à partir d'entités appartenant aux catégories de PERSONNE, OR-
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,017 |
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 ».