Отрывок: Таким образом, исследование проводилось на материале трех коллекций текстов. Полученные результаты сравнены с результатами модели BART, дообученной только на списках ключевых слов, а также ряда моделей для извлечения ключевых слов: 1) TFIDF; 2) TopicRank [10]; 3) KeyBERT [11]; 4) KeyBART [3]. Для реализации моделей использовались библиотеки PKE [12] и Transformers [13]. Качество моделей было оценено с помощью F-меры, рассчитанной на основе к...
Полная запись метаданных
Поле DC Значение Язык
dc.contributor.authorГлазкова А. В.ru
dc.contributor.authorМорозов Д. А.ru
dc.coverage.spatialBARTru
dc.coverage.spatialгенерация текстаru
dc.coverage.spatialавтоматическое реферирование текстовru
dc.coverage.spatialмногозадачное обучениеru
dc.coverage.spatialключевые словаru
dc.coverage.spatialобработка естественного языкаru
dc.coverage.spatialнаучный текстru
dc.creatorГлазкова А. В., Морозов Д. А.ru
dc.date.accessioned2023-10-03 15:45:58-
dc.date.available2023-10-03 15:45:58-
dc.date.issued2023ru
dc.identifierRU\НТБ СГАУ\541245ru
dc.identifier.citationГлазкова, А. В. Многозадачное дообучение для генерации ключевых слов к научным текстам / А. В. Глазкова, Д. А. Морозов // Информационные технологии и нанотехнологии (ИТНТ-2023) : сб. тр. по материалам IX Междунар. конф. и молодеж. шк. (г. Самара, 17-23 апр. 2023 г.): в 6 т. / М-во науки и высш. образования Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т систем обраб. изобр. РАН - Фил. Федер. науч.-исслед. центра "Кристаллография и фотоника" Рос. акад. наук. - Самара : Изд-во Самар. ун-та, 2023Т. 4: Искусственный интеллект / под. ред. А. В. Никонорова. - 2023. - С. 040872.ru
dc.identifier.urihttp://repo.ssau.ru/handle/Informacionnye-tehnologii-i-nanotehnologii/Mnogozadachnoe-doobuchenie-dlya-generacii-kluchevyh-slov-k-nauchnym-tekstam-105729-
dc.description.abstractВ работе исследуется эффективность использования заголовков научных текстов в качестве дополнительной информации при обучении модели генерации списка ключевых слов. Описывается подход к многозадачному дообучению (multi-task fine-tuning) модели BART с помощью управляющих кодов. Показано, что данный подход позволяет улучшить качество BART, обученной для решения только одной задачи. Кроме того, в ряде случаев представленная многозадачная модель превосходит другие современные модели извлечения ключевых слов.ru
dc.language.isorusru
dc.relation.ispartofИнформационные технологии и нанотехнологии (ИТНТ-2023) : сб. тр. по материалам IX Междунар. конф. и молодеж. шк. (г. Самара, 17-23 апр. 2023 г.): в 6ru
dc.sourceИнформационные технологии и нанотехнологии (ИТНТ-2023). - Т. 4 : Искусственный интеллектru
dc.titleМногозадачное дообучение для генерации ключевых слов к научным текстамru
dc.typeTextru
dc.citation.spage040872ru
dc.citation.volume4ru
dc.textpartТаким образом, исследование проводилось на материале трех коллекций текстов. Полученные результаты сравнены с результатами модели BART, дообученной только на списках ключевых слов, а также ряда моделей для извлечения ключевых слов: 1) TFIDF; 2) TopicRank [10]; 3) KeyBERT [11]; 4) KeyBART [3]. Для реализации моделей использовались библиотеки PKE [12] и Transformers [13]. Качество моделей было оценено с помощью F-меры, рассчитанной на основе к...-
Располагается в коллекциях: Информационные технологии и нанотехнологии

Файлы этого ресурса:
Файл Размер Формат  
978-5-7883-1920-9_2023-040872.pdf232.41 kBAdobe PDFПросмотреть/Открыть
Показать базовое описание ресурса Просмотр статистики
Поделиться:



Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.