Neuronale Modelle haben in j\u00fcngster Zeit erhebliche Fortschritte bei der Erstellung von Daten-zu-Text-Texten gezeigt, bei denen beschreibende Texte auf der Grundlage von Datenbankdatens\u00e4tzen generiert werden. In dieser Arbeit stellen wir ein neues Transformer-basiertes Daten-zu-Text-Generierungsmodell vor, das die Inhaltsauswahl und die Zusammenfassungsgenerierung auf End-to-End-Weise erlernt. Wir f\u00fchren zwei Erweiterungen des Grundmodell-Transformators ein: Erstens modifizieren wir die latente Darstellung der Eingabe, was dazu beitr\u00e4gt, die inhaltliche Korrektheit der Ausgabe-Zusammenfassung erheblich zu verbessern; zweitens f\u00fcgen wir ein zus\u00e4tzliches Lernziel hinzu, das die Inhaltsauswahlmodellierung ber\u00fccksichtigt. Dar\u00fcber hinaus schlagen wir zwei Methoden zur Datenerweiterung vor, mit denen die Leistung der resultierenden Generierungsmodelle weiter verbessert werden kann. Auswertungsexperimente zeigen, dass unser endg\u00fcltiges Modell die aktuellen Systeme auf dem neuesten Stand der Technik \u00fcbertrifft, gemessen an verschiedenen Metriken: BLEU, Genauigkeit bei der Inhaltsauswahl und Inhaltsreihenfolge. Wir haben die in diesem Dokument vorgestellte Transformatorerweiterung \u00f6ffentlich zug\u00e4nglich gemacht.<\/p>","protected":false},"excerpt":{"rendered":"
Neuronale Modelle haben in letzter Zeit einen signifikanten Fortschritt bei der Generierung von Daten-zu-Text-Aufgaben gezeigt, bei denen beschreibende Texte unter der Bedingung erzeugt werden, dass sie auf Datenbankdatens\u00e4tzen basieren. In dieser Arbeit pr\u00e4sentieren wir ein neues transformatorbasiertes Daten-zu-Text-Generierungsmodell, das Content-Auswahl und Zusammenfassung-Generierung in einer End-to-End-Weise lernt. Wir f\u00fchren zwei Erweiterungen des Baseline-Transformatormodells ein: Erstens \u00e4ndern wir ... Fortsetzung<\/a><\/p>","protected":false},"featured_media":0,"template":"","class_list":["post-3278","paper","type-paper","status-publish","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.systransoft.com\/de\/wp-json\/wp\/v2\/paper\/3278","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.systransoft.com\/de\/wp-json\/wp\/v2\/paper"}],"about":[{"href":"https:\/\/www.systransoft.com\/de\/wp-json\/wp\/v2\/types\/paper"}],"wp:attachment":[{"href":"https:\/\/www.systransoft.com\/de\/wp-json\/wp\/v2\/media?parent=3278"}],"curies":[{"name":"WP","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}