خلاصه کردن پاسخ‌ها در جامعه نان فکتوید پرسش و پاسخ

حاشیه: الان که دارم می‌نویسم، تنها انگشتانم دارند تایپ می‌کنند، و تا آنجا که می توان سعی در آن دارم که از مغز و چشمانم کمک نگیرم

Summarizing Answers in Non-Factoid Community Question-Answering

خلاصه کردن پاسخ‌ها در جامعه نان فکتوید پرسش و پاسخ

چکیده: ما به خلاصه‌سازی پاسخ‌ها در سیستم‌های پرسش و پاسخ اجتماعی کمک کردیم. در حالی که کارهای قبلی روی پرسش و پاسخ فکتوید تمرکز داشتند ما روی پاسخ و پرسش غیر فکتوید تمرکز داریم . بر خلاف سیستم‌ههای اجتماعی پرسش و پپاسخ فکتوید، پاسخ و پرسش نان فکتوید معمولا نیاز به متن‌ها به عنوان پاسخ‌ها دارند. برای حل این چالش، ما یک استراتژی خلاصه‌سازی مبتنی بر کد کم پشت که شامل سه عنصر هسته است را فراهم آوردیم:

short document expansion, sentence vectorization, and a sparse-coding optimization framework. Specifically, we extend each answer in a questionanswering thread to a more comprehensive representation via entity linking and sentence ranking strategies. From answers extended in this manner, each sentence is represented as a feature vector trained from a short text convolutional neural network model. We then use these sentence representations to estimate the saliency of candidate sentences via a sparse-coding framework that jointly considers candidate sentences and Wikipedia sentences as reconstruction items. Given the saliency vectors for all candidate sentences, we extract sentences to generate an answer summary based on a maximal marginal relevance algorithm. Experimental results on a benchmark data collection confirm the effectiveness of our proposed method in answer summarization of non-factoid CQA, andmoreover, its significant improvement compared to state-of-the-art

مقدمه: در سال‌های اخیر ما شاهد رشد سریع سیستم‌های پرسش و پاسخ اجتماعی بودیم

an increasing number of approaches to CQA retrieval have been proposed, addressing a wide range of tasks, including answer ranking [47,49,50], answer extraction [51], multimedia QA [28], answer generation [46,53], and question classification[9,10].

There has been a very strong focus on factoid CQA, in which typically a single correct answer exists, e.g., “Where wa  X born?” In contrast, in non-factoid CQA, multiple sparse and diverse sentences may make up the answers together.

However, their shortness, sparsity and diversity make it difficult to identif all of the information that together covers all aspects of a question

Document summarization is an effective way to summarize salient information and generate a relevant and diverse answer for a given input question, in particular, in the context of non-factoid questionanswering [۱۳,۴۳]

تحلیل: این مقاله در مورد خلاصه‌سازی پاسخ‌ها است. اول از همه باید گفت که خلاصه سازی چیست، خلاصه‌سازی همان خلاصه‌سازی خودکار است که در زیر تعریفش آورده شده:

خلاصه‌سازی خودکار به عملیاتی گفته می‌شود که به وسیله یک برنامه کامپیوتری، باعث کاهش حجم متن و تولید خلاصه‌ای حاوی مهمترین نکات متن می‌شود.

خلاصه‌سازی سند یک نوع بازیابی اطلاعات است.

دیدگاه‌تان را بنویسید: