Metin Özetlemesi için Düğüm Merkezliklerine Dayalı Denetimsiz Bir Yaklaşım

Abstract

Öz Cümle seçerek özetleme çalışmaları kapsamında birçok farklı yaklaşım mevcuttur. Bu çalışmada tek dokümanlı çıkarıcı metin özetleme için yeni ve denetimsiz bir süreç önerilmektedir. Çalışma kapsamında metin dokümanları çizgelerle temsil edilmektedir. Sunulan yaklaşım temel olarak metinleri temsil eden çizgeleri kullanmakta ve cümlelere yönelik bir ağırlıklandırma önermektedir. Önerilen sürecin farklı düğüm ağırlıklandırma yöntemlerini kullanarak önemli düğümleri belirlenmesi, önerilen özetleme sisteminin cümle puanlandırma aşamasını oluşturmaktadır. Son olarak bu çalışma kapsamında metin özetleme amaçlı önerilen yaklaşımın, açık erişimli metinler ve bu metinlere ait özetleri içeren Document Understanding Conference (DUC-2002) veri seti üzerindeki performansı ROUGE değerlendirme metrikleri kullanılarak hesaplanmıştır. Yapılan deneysel çalışmalar sonucunda önerilen özetleme sisteminin geleneksel çizge tabanlı yaklaşımlar ile rekabet edebilir ölçüde performans değerleri ortaya koyduğunu göstermektedir. Önerilen özetleme yaklaşımı ile elde edilen ROUGE-2 metriğinin Duyarlılık, Kesinlik ve F-Skor değerleri sırasıyla 0.17068, 0.15772, 0.16383 olarak hesaplandı. Ayrıca sunulan bu basit ve etkili yöntemin dilbilimsel bir süreç izlememesi oldukça önemlidir.

The power of graphs in medicine: Introducing BioGraphSum for effective text summarization

“…Extractive text summarization methods select and extract the sentences and words that are considered to have the most meaning and value from the raw text data, and are then used in order to create valid, comprehensive, and meaningful summaries. These summaries are formed using statistical and heuristic algorithms that review the sentences considered the most essential and valuable in the texts; an approach that can be achieved without first gaining a deep understanding or semantic analysis of the text [ [10] , [11] , [12] , [13] ].…”

A new multi-document summarisation approach using saplings growing-up optimisation algorithms: Simultaneously optimised coverage and diversity

“…As a result, digital data sizes are growing, and automated summarisation systems are used to cope with the large amounts of data amounts of data flow. Therefore, today's readers face an increased need for effective text summarisation systems to convert text into short summaries [1][2][3][4]. However, it is challenging to create a single text document that meets the reader's needs satisfactorily within a set topic within a limited period.…”

“…Unsupervised methods often score sentences in documents using a set of predefined definitions and properties. Supervised methods need a significant volume of data, while unsupervised techniques require no educational data [2,5,13,14,18]. Promising results are obtained by transferring learning using pre-trained word embeddings within the scope of supervised learning [19].…”

Analysis of whether news on the Internet is real or fake by using deep learning methods and the TF-IDF algorithm

“…Deep learning is an artificial intelligence method used in areas such as object recognition, speech recognition, and natural language processing, and it uses multi-layer artificial neural networks. Today, many researchers in different fields such as big data [1][2][3][4][5][6], autonomous vehicles [7,8], handwritten character recognition [9,10], medical image processing, natural language processing [11,12], signature verification, voice and video recognition, are using deep learning method in their studies conducted in the most popular and challenging areas of the world [13][14][15][16].…”