Diskursbewusste unüberwachte Zusammenfassung langer wissenschaftlicher Dokumente

Wir schlagen ein unüberwachtes, graphbasiertes Rangierungsmodell für die extraktive Zusammenfassung langer wissenschaftlicher Dokumente vor. Unsere Methode setzt eine zweistufige hierarchische Graphendarstellung des Quelldokuments voraus und nutzt asymmetrische positionale Hinweise, um die Wichtigkeit von Sätzen zu bestimmen. Die Ergebnisse auf den PubMed- und arXiv-Datensätzen zeigen, dass unser Ansatz in automatischen Metriken und menschlichen Bewertungen deutlich bessere Leistungen als starke unüberwachte Baseline-Methoden erzielt. Darüber hinaus erreicht er eine Leistung, die mit vielen der neuesten überwachten Ansätze vergleichbar ist, die auf Hunderttausenden von Beispielen trainiert wurden. Diese Ergebnisse deuten darauf hin, dass Muster in der Diskursstruktur ein starkes Signal für die Bestimmung der Wichtigkeit in wissenschaftlichen Artikeln darstellen.