Résumé automatique de texte

Résumé

Un résumé est une forme de compression textuelle avec perte d'information. Un résumé automatique de texte est une version condensée d'un document textuel, obtenu au moyen de techniques informatiques. La forme la plus connue et la plus visible des condensés de textes est le résumé, représentation abrégée et exacte du contenu d'un document. Cependant, produire un résumé pertinent et de qualité demande au résumeur (un humain ou un système automatique) l'effort de sélectionner, d'évaluer, d'organiser et d'assembler des segments d'information selon leur pertinence. Bien comprendre et gérer les phénomènes de redondance, cohérence et cohésion est fondamental afin de produire des résumés automatiques humainement crédibles. Extraction, abstraction et compression Il existe trois approches principales pour générer des résumés de texte : par abstraction, par extraction et par compression de phrases.

Par abstraction : rédiger un résumé en générant des phrases, pas forcément conten

Source officielle

https://fr.wikipedia.org/wiki/R%C3%A9sum%C3%A9_automatique_de_texte

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (100)

Publications associées

Chargement

Personnes associées (11)

Personnes associées

Chargement

Unités associées (3)

Unités associées

Chargement

Concepts associés (11)

Le traitement automatique du langage naturel (TALN), en anglais natural language processing ou NLP, est un domaine multidisciplinaire impliquant la li

vignette|redresse=0.8|Les assistants personnels intelligents sont l'une des applications concrètes de l'intelligence artificielle dans les années 2010. L'intelligence artificielle (IA) est un ensembl

La fouille de textes ou « l'extraction de connaissances » dans les textes est une spécialisation de la fouille de données et fait partie du domaine de l'intelligence artificielle. Cette technique es

Afficher plus

Concepts associés

Chargement

Cours associés (8)

Cours associés

Chargement

Séances de cours associées (12)

Afficher plus

Séances de cours associées

Chargement

SARAL: A Low-Resource Cross-Lingual Domain-Focused Information Retrieval System for Effective Rapid Document Triage

Jonathan May

With the increasing democratization of elec-tronic media, vast information resources areavailable in less-frequently-taught languagessuch as Swahili or Somali.That informa-tion, which may be crucially important andnot available elsewhere, can be difficult formonolingual English speakers to effectivelyaccess. In this paper we present SARAL, anend-to-end cross-lingual information retrieval(CLIR) and summarization system for low-resource languages that 1) enables Englishspeakers to search foreign language reposito-ries of text and audio using English queries,2) summarizes the retrieved documents in En-glish with respect to a particular informa-tion need, and 3) provides complete transcrip-tions and translations as needed. The SARALsystem achieved the top end-to-end perfor-mance in the most recent IARPA MATERIALCLIR+summarization evaluations.

2019

Chargement

ClusterRank: A Graph Based Method for Meeting Summarization

Nikhil Garg

This paper presents an unsupervised, graph based approach for extractive summarization of meetings. Graph based methods such as TextRank have been used for sentence extraction from news articles. These methods model text as a graph with sentences as nodes and edges based on word overlap. A sentence node is then ranked according to its similarity with other nodes. The spontaneous speech in meetings leads to incomplete, informed sentences with high redundancy and calls for additional measures to extract relevant sentences. We propose an extension of the TextRank algorithm that clusters the meeting utterances and uses these clusters to construct the graph. We evaluate this method on the AM I meeting corpus and show a significant improvement over TextRank and other baseline methods.

Isca-Inst Speech Communication Assoc, C/O Emmanuelle Foxonet, 4 Rue Des Fauvettes, Lieu Dit Lous Tourils, Baixas, F-66390, France2009

Chargement

ClusterRank: A Graph Based Method for Meeting Summarization

Nikhil Garg

This paper presents an unsupervised, graph based approach for extractive summarization of meetings. Graph based methods such as TextRank have been used for sentence extraction from news articles. These methods model text as a graph with sentences as nodes and edges based on word overlap. A sentence node is then ranked according to its similarity with other nodes. The spontaneous speech in meetings leads to incomplete, illformed sentences with high redundancy and calls for additional measures to extract relevant sentences. We propose an extension of the TextRank algorithm that clusters the meeting utterances and uses these clusters to construct the graph. We evaluate this method on the AMI meeting corpus and show a significant improvement over TextRank and other baseline methods.

Idiap2009

Chargement