Ranking mit rekursiven neuronalen Netzen und dessen Anwendung auf die Zusammenfassung mehrerer Dokumente

Wir entwickeln ein Ranking-Framework auf Basis rekursiver neuronaler Netze (R2N2), um Sätze für die Zusammenfassung mehrerer Dokumente zu bewerten. Es formuliert die Satzbewertungsaufgabe als einen hierarchischen Regressionsprozess, der gleichzeitig die Bedeutung eines Satzes und seiner Bestandteile (z.B. Phrasen) im Parsing-Baum misst. Dies ermöglicht es uns, Wort-zu-Satz-Überwachungen aus Referenzzusammenfassungen zu nutzen. Darüber hinaus werden rekursive neuronale Netze verwendet, um automatisch Bewertungsmerkmale über den Baum zu lernen, wobei handgefertigte Merkmalsvektoren von Wörtern als Eingaben dienen. Hierarchische Regressionen werden dann mit gelernten Merkmalen durchgeführt, die rohe Merkmale kombinieren. Bewertungswerte von Sätzen und Wörtern werden genutzt, um effektiv informative und nicht redundante Sätze auszuwählen, um Zusammenfassungen zu erstellen. Experimente mit den DUC 2001, 2002 und 2004 Datensätzen zur Zusammenfassung mehrerer Dokumente zeigen, dass R2N2 die neuesten Ansätze der extraktiven Zusammenfassung übertrifft.