文献

J-GLOBAL ID：201702213796519056   整理番号：17A0142618

音声文書要約のための新しい節包埋法【Powered by NICT】

A novel paragraph embedding method for spoken document summarization

著者 (4件)： Chen Kuan-Yu (Academia Sinica, Taiwan) ,  Liu Shih-Hung (Academia Sinica, Taiwan) ,  Chen Berlin (National Taiwan Normal University, Taiwan) ,  Wang Hsin-Min (Academia Sinica, Taiwan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： APSIPA  ページ： 1-6  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 表現学習は,その優れた性能のために,多くの機械学習応用で新たに活発な研究課題として出現してきた。自然言語処理との関連で,パラグラフ(または文とドキュメント)埋め込み学習はいくつかのタスクに対してより適切な/合理的である,情報検索や文書要約など。しかし,著者らが知る限り,発射段落埋め込み法に関する研究集束の不足している。,マルチメディアデータのブラウジングと,消化効率的に役立つことができる抽出音声文書要約は,文書の最も重要なテーマを発現する源文書からの一連の指示的文章を選択することを目的としている。一般的なコンセンサスは,関連性と冗長性は現実的な要約シナリオにおける重要な問題であることをである。しかし,既存の方法の大部分は対文と文書の間の唯一の関連度を決定することに焦点を当てた。これらの観測に基づいて,三種類の主要な寄与は,本論文で提案した。最初に,本質的ベクトルモデルと命名した新しい教師なし段落包埋法段落から最も代表的な情報を蒸留,より有益な低次元ベクトル表現を生成する一般的背景情報を除くだけでなくを目指したを提案した。二番目に,筆者らは,同時に考慮関連性と冗長性情報の両方をすることができる,密度ピーククラスタリング要約法で推定した本質ベクターを組み込んだ音声文書要約性能を向上させる。第三に,いくつかの良く訓練した及び最新の方法に対する筆者らの提案した方法の有効性は広範な音声文書要約実験により確認した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *冗長性 ,  機械学習 ,  ベクター ,  集束 ,  自然言語処理 ,  ブラウジング ,  ベクトル ,  情報検索 ,  消化 ,  学習 ,  低次元
準シソーラス用語： ベクトルモデル ,  段落 ,  *音声文書 , 【Automatic Indexing@JST】

分類 (1件)： 自然語処理  (JE06000L)

タイトルに関連する用語 (2件)： 音声文書 ,  節