Les mod\u00e8les neuronaux ont r\u00e9cemment montr\u00e9 des progr\u00e8s significatifs sur les t\u00e2ches de g\u00e9n\u00e9ration de donn\u00e9es en texte dans lesquelles des textes descriptifs sont g\u00e9n\u00e9r\u00e9s \u00e0 condition d'enregistrements de base de donn\u00e9es. Dans ce travail, nous pr\u00e9sentons un nouveau mod\u00e8le de g\u00e9n\u00e9ration de donn\u00e9es en texte bas\u00e9 sur Transformer qui apprend la s\u00e9lection de contenu et la g\u00e9n\u00e9ration de r\u00e9sum\u00e9 de bout en bout. Nous introduisons deux extensions au mod\u00e8le de transformateur de base : Premi\u00e8rement, nous modifions la repr\u00e9sentation latente de l'entr\u00e9e, ce qui contribue \u00e0 am\u00e9liorer consid\u00e9rablement la justesse du contenu du r\u00e9sum\u00e9 de sortie ; Deuxi\u00e8mement, nous incluons un objectif d'apprentissage suppl\u00e9mentaire qui tient compte de la mod\u00e9lisation de la s\u00e9lection du contenu. En outre, nous proposons deux m\u00e9thodes d'augmentation des donn\u00e9es qui r\u00e9ussissent \u00e0 am\u00e9liorer encore les performances des mod\u00e8les de g\u00e9n\u00e9ration r\u00e9sultants. Les exp\u00e9riences d'\u00e9valuation montrent que notre mod\u00e8le final surpasse les syst\u00e8mes actuels de pointe tels que mesur\u00e9s par diff\u00e9rentes m\u00e9triques : BLEU, pr\u00e9cision de s\u00e9lection de contenu et ordonnancement de contenu. Nous avons mis \u00e0 la disposition du public l'extension de transformateur pr\u00e9sent\u00e9e dans ce document.<\/p>","protected":false},"excerpt":{"rendered":"
Les mod\u00e8les neuronaux ont r\u00e9cemment montr\u00e9 des progr\u00e8s significatifs dans les t\u00e2ches de g\u00e9n\u00e9ration de donn\u00e9es en texte dans lesquelles des textes descriptifs sont g\u00e9n\u00e9r\u00e9s en fonction des enregistrements de base de donn\u00e9es. Dans ce travail, nous pr\u00e9sentons un nouveau mod\u00e8le de g\u00e9n\u00e9ration de donn\u00e9es en texte bas\u00e9 sur Transformer qui apprend la s\u00e9lection de contenu et la g\u00e9n\u00e9ration de r\u00e9sum\u00e9s de bout en bout. Nous introduisons deux extensions au mod\u00e8le de transformateur de base : Premi\u00e8rement, nous modifions... Suite<\/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\/fr\/wp-json\/wp\/v2\/paper\/3278","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.systransoft.com\/fr\/wp-json\/wp\/v2\/paper"}],"about":[{"href":"https:\/\/www.systransoft.com\/fr\/wp-json\/wp\/v2\/types\/paper"}],"wp:attachment":[{"href":"https:\/\/www.systransoft.com\/fr\/wp-json\/wp\/v2\/media?parent=3278"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}