Los modelos neuronales han mostrado recientemente un progreso significativo en las tareas de generaci\u00f3n de datos a texto en las que se generan textos descriptivos condicionados a los registros de la base de datos. En este trabajo, presentamos un nuevo modelo de generaci\u00f3n de datos a texto basado en Transformer que aprende la selecci\u00f3n de contenido y la generaci\u00f3n de resumen de una manera integral. Introducimos dos extensiones al modelo de transformador de l\u00ednea base: Primero, modificamos la representaci\u00f3n latente de la entrada, lo que ayuda a mejorar significativamente la correcci\u00f3n de contenido del resumen de salida; Segundo, incluimos un objetivo de aprendizaje adicional que tiene en cuenta el modelado de selecci\u00f3n de contenido. Adem\u00e1s, proponemos dos m\u00e9todos de aumento de datos que tienen \u00e9xito para mejorar a\u00fan m\u00e1s el rendimiento de los modelos de generaci\u00f3n resultantes. Los experimentos de evaluaci\u00f3n muestran que nuestro modelo final supera a los sistemas actuales de \u00faltima generaci\u00f3n medidos por diferentes m\u00e9tricas: BLEU, precisi\u00f3n de selecci\u00f3n de contenido y ordenamiento de contenido. Pusimos a disposici\u00f3n del p\u00fablico la extensi\u00f3n del transformador presentada en este art\u00edculo.<\/p>","protected":false},"excerpt":{"rendered":"
Los modelos neuronales han mostrado recientemente un progreso significativo en las tareas de generaci\u00f3n de datos a texto en las que se generan textos descriptivos condicionados a los registros de la base de datos. En este trabajo, presentamos un nuevo modelo de generaci\u00f3n de datos a texto basado en Transformer que aprende la selecci\u00f3n de contenido y la generaci\u00f3n de resumen de una manera integral. Introducimos dos extensiones al modelo de transformador de l\u00ednea de base: Primero, modificamos \u2026 Continuaci\u00f3n<\/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\/es\/wp-json\/wp\/v2\/paper\/3278","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.systransoft.com\/es\/wp-json\/wp\/v2\/paper"}],"about":[{"href":"https:\/\/www.systransoft.com\/es\/wp-json\/wp\/v2\/types\/paper"}],"wp:attachment":[{"href":"https:\/\/www.systransoft.com\/es\/wp-json\/wp\/v2\/media?parent=3278"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}