단일 문서 요약 모델의 전이학습을 통한 다중 문서 요약 :Learning Multi-document Summarization Model Through Transfer Learning from Single-document Summarization Model

신용민

추천

검색

자료유형: 학위논문

저자정보: 신용민 (경북대학교, 경북대학교 대학원)

지도교수: 박세영

발행연도: 2020

저작권: 경북대학교 논문은 저작권에 의해 보호받습니다.

이용수1

이 논문의 연구 히스토리 (3)

2020

단일 문서 요약 모델의 전이학습을 통한 다중 문서 요약

신용민 컴퓨터학부 2020.01 학위논문

2019

다중 문서 요약 모델을 위한 언어 모델로부터의 효율적인 전이학습

신용민 , 노윤석 , 박세영 한국정보과학회 학술발표논문집 2019.12 학술대회자료

Self-Attention 기반의 다중 문서 인코더를 통한 추상적 다중 문서 요약 생성

신용민 , 노윤석 , 박세영 한국정보과학회 학술발표논문집 2019.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

Recently, with the development of the Internet, people are exposed to a large amount of information. People have to extract information from many documents to get the information they want. That is why document summarization is needed. As the demand for high quality summary increases, many studies use abstractive summarization. The method using deep neural network model is best performance in single-document summarization. However, in multi-document summarization, it is difficult to train a deep neural network model due to the lack of data. So, many researches try to solve this problem by transfer learning from trained model with huge data like single document summarization data. However, these have some problem like input format between single document and multi- document and number of parameters to learned. In this paper, we propose two transfer learning methods from single document summarization model to multi document summarization model. One method considers the input format of a single document and multi document. Another method takes into account two things: 1) the number of trainable parameter, 2) lack of multi document summarization data. Each method is called Transfer Learning using Multi Document Encoder, and Transfer Learning using Adapter, respectively. To show the performance of our proposed method, we conducted experiments on DUC(Document Understand Conference) and multi-news datasets. As of Korean, because there was no public data, experiments were conducted by creating a new dataset. Both our methods demonstrate competitive results, and outperform previous researches. With a small amount of data are confirm that, Transfer Learning using Adapter shows excellent performance.

Ⅰ. 서 론 1
Ⅱ. 관련 연구 5
Ⅲ. 문서 요약 모델 9
3.1. 단일 문서 요약 모델 9
3.2. 다중 문서 인코더를 이용한 전이학습 11
3.3. 어댑터를 이용한 전이학습 16
Ⅳ. 실 험 20
4.1. 데이터 구성 20
4.2. 실험 구성 23
4.3. 실험 결과 및 분석 25
Ⅴ. 결 론 36
참고문헌 37
영문초록 44

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)