Automatic summarization (original) (raw)
التلخيص التلقائي هو خلق نسخة مختصرة من النص بواسطة برنامج كمبيوتر. نتاج هذا الإجراء لا يزال يحتوي على أهم النقاط من النص الأصلي. ان ظاهرة الإغراق المعلوماتي باتت تعني أن الحصول على ملخصات ومتطورة بشكل صحيح هو أمر حيوي. وكما أن الوصول إلى البيانات زاد كذلك الاهتمام بالتلخيص التلقائي. مثال على استخدام تكنولوجيا التلخيص هو محركات البحث من جوجل.
| Property | Value |
|---|---|
| dbo:abstract | التلخيص التلقائي هو خلق نسخة مختصرة من النص بواسطة برنامج كمبيوتر. نتاج هذا الإجراء لا يزال يحتوي على أهم النقاط من النص الأصلي. ان ظاهرة الإغراق المعلوماتي باتت تعني أن الحصول على ملخصات ومتطورة بشكل صحيح هو أمر حيوي. وكما أن الوصول إلى البيانات زاد كذلك الاهتمام بالتلخيص التلقائي. مثال على استخدام تكنولوجيا التلخيص هو محركات البحث من جوجل. (ar) Die Text-Extraction (englisch text extraction auch englisch keyphrase extraction) bzw. Textextrahierung ist eine Methode zur automatischen Zusammenfassung eines Textes mit Hilfe computerlinguistischer Techniken. Dabei werden Teile eines Textes – zum Beispiel Sätze oder ganze Abschnitte – mittels statistischer und/oder heuristischer Methoden bezüglich ihrer Wichtigkeit oder Relevanz bewertet. Diese scores of importance dienen als Grundlage für die Entscheidung, welche Teile ("keyphrases") extrahiert und zu einem kürzeren Text zusammengestellt werden, der dann einen Überblick über die Inhalte des Originaltextes bietet und in der Regel als extract oder abstract bezeichnet wird. Nach Karen Spärck Jones (1999) haben die mit dieser Methode produzierten Zusammenfassungen den Nachteil, dass sie zumeist wenig kohärent und somit nur schlecht lesbar und unter Umständen sogar unverständlich sind. Andererseits ist diese Methode und ihre Varianten vermutlich einfacher in automatischen Systemen zu modellieren. Beispiele dafür sind die Systeme vonHans Peter Luhn (1959) (Extraktionsalgorithmus nach Luhn) und Edmundson (1969) und die Ansätze von Rath et al. (1961) und Brandow et al. (1995). (de) Automatic summarization is the process of shortening a set of data computationally, to create a subset (a summary) that represents the most important or relevant information within the original content. Artificial intelligence algorithms are commonly developed and employed to achieve this, specialized for different types of data. Text summarization is usually implemented by natural language processing methods, designed to locate the most informative sentences in a given document. On the other hand, visual content can be summarized using computer vision algorithms. Image summarization is the subject of ongoing research; existing approaches typically attempt to display the most representative images from a given image collection, or generate a video that only includes the most important content from the entire collection. Video summarization algorithms identify and extract from the original video content the most important frames (key-frames), and/or the most important video segments (key-shots), normally in a temporally ordered fashion. Video summaries simply retain a carefully selected subset of the original video frames and, therefore, are not identical to the output of video synopsis algorithms, where new video frames are being synthesized based on the original video content. (en) Aŭtomata noticado estas tasko de Komputila lingvistiko. Estas redakto de teksto laŭ bazaj informoj, do sinteza agado kaj aparte bezonas scion el la . La kampo ankoraŭ ne bone esploriĝis; la unua fokuso de komputila lingvistiko longtempe estis analizaj agadoj kiel la rekono de lingvoj, la rekono de la temo de teksto (kiel serĉmaŝinoj faras por ekscii ĉu retpaĝo estas interesa por la serĉanto) kaj la kompreno de homa lingvo. Tamen ekzistas kelkaj elprovprojektoj nun, kiuj celas ekzemple: * verki enciklopedian artikolon pri temo surbaze de datumaraj informoj. Por tio oni esploris la stilon kaj ĝeneralan strukturon de enciklopediaj tekstoj. * verki rakonton surbaze de situacio, karakteroj kaj iliaj emoj. Por tio oni esploris kiel rakonto funkcias, kio faras ĝin interesa. Je momento, la aŭtomata noticado nur malbone funkcias, la skribaĵo aspektas infana kaj ripetema. (eo) Laburpengintza automatikoa ordenagailu programa baten bitartez testu baten bertsio laburtua sortzean datza. Prozesu honetan eskuratutako emaitzak jatorrizko testuaren informazio garrantzitsuena mantendu behar du. Gaur egun dugun informazio kopuru handiak ezinbesteko bihurtu ditu laburpenak. Hori dela eta, garrantzi handiko ikerketa arlo bilakatu da laburpengintza automatikoa. Laburpengintza baliatzen duen adibide bezala Googleren bilatzailea dugu. Laburpenetan koherentzia mantendu eta oinarrizko informazioa ez galtzeko hainbat aldagai izan behar dira kontuan; hala nola, testuaren luzera, idazketa modua eta sintaxia. (eu) Deux cent six, voici un chiffre à retenir. Une nouvelle voiture ? Un code pour accéder à un service ? Pas du tout. Deux cent six, c’est le nombre d’os composant notre squelette. Chacun d’entre nous porte en lui ce nombre. Un trésor à (re)découvrir. Le squelette est défini par le dictionnaire Larousse comme étant « la charpente du corps de l’homme et des animaux« . Ainsi nous permet-il de nous tenir droit. Sans lui nous serions condamnés à ramper, comme un vermisseau… Mais il a une autre fonction tout aussi importante, celle de protéger. Les parties les plus fragiles de notre corps -comme le coeur, les viscères, les poumons et le cerveau- sont préservées de tout choc grâce à nos os. Précieux donc, notre squelette ! La majorité des os sont reliés entre eux par des articulations. Et ce sont les muscles -ils représentent 35% de notre masse corporelle- qui en se contractant les font bouger. Et les os ne sont pas vides. Ils contiennent des vaisseaux sanguins… et des nerfs ; du calcium qui, présent dans le lait et les produits laitiers, est essentiel pour la croissance et le renforcement de notre squelette ; et une substance fluide ressemblant à du sang, la moelle osseuse. Cette dernière -qui n’a rien à voir avec la moelle épinière de notre colonne vertébrale, voie de communication du cerveau avec le reste de l’organisme- est indispensable. Car elle fabrique les cellules de notre sang (globules rouges, globules blancs et plaquettes). Coté taille, c’est dans l’oreille que se trouvent les os les plus petits. Ils ne sont pas plus grand… qu’une graine de soja ! Ces osselets – c’est leur nom – sont au nombre de six. Et le plus long alors ? La tour Eiffel de notre squelette s’appelle le fémur. Il peut atteindre 76 cm. L'ACTULES + LUSDÉCOUVREZ NOS OFFRES DE CONTENURÉDACTION SELON VOS BESOINS SPÉCIFIQUESBRÈVES POUR AFFICHAGE DYNAMIQUE ET NUMÉRIQUEVIDÉOS (INTERVIEWS, MOTION DESIGN...)ACCÈS À NOTRE BASE DE DONNÉESFIL D’ACTUALITÉ VIDÉOSGrippe : zoom sur la vaccinationSUIVANTEAllergies aux pollens : comment s'en protéger ?PUBLICITÉ NEWSLETTERRecevez chaque jour par e-mail les dernières actualités santé. EmailOKNEWSLETTERRecevez chaque jourpar e-mail les dernièresactualités santé. EmailOK SYNDICAT DE LA PRESSEINDÉPENDANTED’INFORMATION EN LIGNE PUBLICITÉ 1 allée d'Orléans 44000Nantes - FRANCE Tél:+332 51 13 48 88THÉMATIQUESMédecineSanté PubliqueE-SantéEnvironnement / ConsommationSeniorBien-êtreNutritionSexoPsychoFamilleSanté animaleLe Conseil ScientifiqueÉquipeVidéosPodcastsContactCopyright © 2021 destinationsante.comMentions légalesCGUPlan du siteNous utilisons des cookies pour vous offrir la meilleure expérience sur notre site. Vous pouvez en savoir plus sur les cookies que nous utilisons ou les désactiver dans les réglages. Je consens (fr) 自動要約（じどうようやく、英: Automatic summarization）は、コンピュータプログラムを用いて、文書からその要約を作成する処理である。 作成される要約は、要約の対象となる文書の最も重要な要素のみを残しているべきであり、いわゆる情報のオーバーロードに伴い自動要約に対する関心も増している。首尾一貫した要約を作成するためには要約の長さや書き方のスタイル、文法などといった点が考慮されなければならない。自動要約の応用先の1つはGoogleなどの検索エンジンであるが、もちろん独立した1つの要約プログラムといったものもありうる。 (ja) 자동 요약은 원본 문서의 요점들을 추린 요약문을 생성하기 위해 소프트웨어를 활용하여 텍스트 문서의 길이를 줄이는 과정이다. 조리 있는 요약문을 만들기 위해 글의 길이, 문체, 구문론 등의 변수가 고려된다. 자동 데이터 요약은 기계 학습 및 데이터 마이닝의 한 부분이다. 요약의 주된 아이디어는 전체 집합으로부터 "정보"를 갖고 있는 부분 집합을 찾는 것이다. 이러한 기술은 오늘날 여러 산업 분야에서 활용되고 있는데 한 가지 예로 검색 엔진을 들 수 있다. 이 밖에 문서 요약, 이미지 컬렉션 요약, 동영상 요약 등이 있다. 문서 요약은 정보를 가장 많이 포함한 문장들을 찾아내 이들로부터 전체 문서를 대표할 수 있는 요약문 또는 개요를 생성하는 작업이다. 이미지 요약에서는 전체 컬렉션에서 대표적인 또는 가장 중요한 이미지들을 찾는 시스템을 만들고자 하며, 동영상 감시 시스템에서는 특이점이 없는 장면들 속에서 중요한 이벤트가 있는 부분만 추출하는 것이 목표가 된다. 자동 요약에는 두 가지 대표적인 접근법이 있는데 추출과 추상화이다. 추출 기법은 기존의 단어, 구(句), 문장들의 부분 집합을 원본 텍스트로부터 선택하여 요약문을 만들어낸다. 이와 다르게 추상화 기법은 의미론적(semantic)인 내부 표현을 구성하고 이를 기반으로 인간이 했을법한 표현에 보다 가까운 자연어 요약문을 생성한다. 지금까지의 연구는 주로 추출 기법에 집중되어 있으며 이는 이미지 컬렉션 요약 또는 동영상 요약에 주로 적절한 방식이다. (ko) Textsammanfattning eller textsummering (engelska Text summarisation) är namnet på de tekniker och metoder som används för att automatiskt eller halvautomatiskt producera en kort och läsbar beskrivning av innehållet i en lång text eller en samling texter. Textsammanfattning har varit ett språkteknologiskt forskningsområde redan sedan 1950-talet Sammanfattning av texter har varit ett praktiskt problem som informationsvetenskaperna arbetat med länge, långt innan automatiserade tekniker har funnits att tillgå. Manuellt producerade sammanfattningar har studerats i flera omgångar i hopp om att där finna ledtrådar hur ett automatiskt system skulle kunna gå till väga - men det är tydligt att människor bearbetar text på ett sätt som inte är lätt att efterlikna med dagens system och att mänskliga sammanfattare inte är konsekventa i sitt arbete. Högkvalitativ och helautomatisk sammanfattning förutsätter verklig textförståelse och kan ännu inte åstadkommas. Det går dock ganska enkelt att använda ordförekomster tillsammans med ett lexikon som ledtrådar till att välja ut en delmängd av källtexternas meningar så att en sammanfattare kan använda dem som grund för sammanfattning. Forskningen gör framsteg varje gång en ny innehållsanalysteknik för text utvecklas: idag används i huvudsak statistiska och informationsteoretiska mått för att välja ut avsnitt ur källtexterna till en sammanfattning. De huvudsakliga utmaningarna för textsammanfattning är alltså att välja ut representativa avsnitt så att alla eller de flesta av de viktigare innehållselementen kommer med i sammanfattningen, att foga ihop dem igen till en text som är läslig (så att inte de urklippta delarna till innehåll som inte tagits med i sammanfattningen) och att undvika att flera urklippta delar från olika texter refererar till samma sak så att sammanfattningen blir onödigt lång. Det går givetvis att ställa ytterligare krav på sammanfattningar, så att bibehåller samma tonläge och stilsort som originaltexterna och att innehållet inte motsäger sig själv om avsnitt valts ur texter med olika perspektiv på samma sak. Textreduktion är termen för ytterst kompakta sammanfattningar där en text sammanfattas med blott ett par ord. Textreduktion baseras på tekniker för nyckelordsurval och indexering, och tekniken är främst användbar där inte skärmstorlek eller andra fysiska begränsningar tillåter hela texter visas. Tekniker som informationsextraktion och är besläktade med textsammanfattning och går att använda som delkomponenter i ett mer sofistikerat sammanfattningssystem. (sv) Автомати́ческое рефери́рование, анноти́рование или суммариза́ция — создание краткой версии (реферата, аннотации) текстового документа с помощью компьютерной программы. (ru) Автоматизоване реферування або квазіреферування — це виявлення в тексті первинного документа фрагментів, що містять заздалегідь заявлені змістові аспекти. Найвищого розвитку формалізація методів реферування набула з автоматизацією цього виду аналітико-синтетичної обробки документів. Необхідність реферування щораз більших обсягів документів і при цьому зменшення суб'єктивізму в наданні інформації зумовили впровадження в реферування електронних технологій. (uk) |
| dbo:wikiPageExternalLink | http://www.informatica.si/ojs-2.4.3/index.php/informatica/article/download/273/269 http://www.jason-huff.com/projects/autosummarize/ http://portal.acm.org/citation.cfm%3Fid=1937055.1937111&coll=DL&dl=GUIDE&CFID=23185814&CFTOKEN=40272014/%7Cseries=Riao https://www.cs.ru.nl/~kraaijw/pubs/Biblio/papers/meeting_sum_tno.pdf https://archive.org/details/springer_10.1007-978-3-642-72025-3 https://web.archive.org/web/20060408135021/http:/haydn.isi.edu/ROUGE/ https://www.researchgate.net/publication/2553088 https://www.researchgate.net/publication/277288103 https://repository.upenn.edu/cgi/viewcontent.cgi%3Farticle=1762&context=cis_papers http://pages.cs.wisc.edu/~jerryzhu/pub/grasshopper.pdf |
| dbo:wikiPageID | 637199 (xsd:integer) |
| dbo:wikiPageLength | 49718 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1123203096 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:N-gram dbr:Natural-language_understanding dbr:Natural_language_processing dbr:Non-negative_matrix_factorization dbr:Rnn_(software) dbr:Determinantal_point_process dbr:Information_extraction dbr:Information_overload dbr:Information_retrieval dbr:Internet_bot dbr:Internet_slang dbr:Cosine_similarity dbc:Tasks_of_natural_language_processing dbr:Quantile_normalization dbr:Social_network dbr:Eigenvalue dbr:Genetic_algorithm dbr:Google_Docs dbr:NIST dbr:Naive_Bayes dbr:Cluster_analysis dbr:Combinatorial_optimization dbr:Full-text_search dbr:Keyword_extraction dbr:Centroid dbr:Training_set dbr:Latent_semantic_analysis dbr:Linear_combination dbr:Stationary_distribution dbr:Anaphora_(linguistics) dbr:PageRank dbr:Graph_(abstract_data_type) dbr:Hans_Peter_Luhn dbr:Term_frequency–inverse_document_frequency dbr:Sentence_extraction dbc:Computational_linguistics dbc:Data_mining dbc:Natural_language_processing dbr:Absorbing_Markov_chain dbr:Abstract_(summary) dbr:Bigram dbr:Binary_classification dbr:Co-occurrence dbr:Coherence_(linguistics) dbr:Cohesion_(linguistics) dbr:Transformer_(machine_learning_model) dbr:TL;DR dbr:Greedy_algorithm dbr:Netherlands_Organisation_for_Applied_Scientific_Research dbr:Automated_paraphrasing dbr:Random_walk dbr:Reddit dbr:Maximum_entropy_classifier dbr:ROUGE_(metric) dbr:Set_cover_problem dbr:Semantic_similarity dbr:Facility_location_problem dbr:Image_collection_exploration dbr:Lexical_(semiotics) dbr:Similarity_score dbr:Multi-document_summarization dbr:Text_mining dbr:News_aggregators dbr:Submodular_set_function dbr:LSTM dbr:Research_article dbr:Supervised_machine_learning dbr:Unigram dbr:TF-IDF dbr:MEAD |
| dbp:wikiPageUsesTemplate | dbt:Citation_needed dbt:Cite_book dbt:Dubious dbt:Expand_section dbt:Main dbt:More_citations_needed dbt:Reflist dbt:Short_description dbt:Natural_Language_Processing |
| dct:subject | dbc:Tasks_of_natural_language_processing dbc:Computational_linguistics dbc:Data_mining dbc:Natural_language_processing |
| gold:hypernym | dbr:Process |
| rdf:type | yago:Abstraction100002137 yago:Act100030358 yago:Activity100407535 yago:Event100029378 yago:PsychologicalFeature100023100 yago:Work100575741 yago:YagoPermanentlyLocatedEntity dbo:Election yago:Undertaking100795720 yago:WikicatTasksOfNaturalLanguageProcessing |
| rdfs:comment | التلخيص التلقائي هو خلق نسخة مختصرة من النص بواسطة برنامج كمبيوتر. نتاج هذا الإجراء لا يزال يحتوي على أهم النقاط من النص الأصلي. ان ظاهرة الإغراق المعلوماتي باتت تعني أن الحصول على ملخصات ومتطورة بشكل صحيح هو أمر حيوي. وكما أن الوصول إلى البيانات زاد كذلك الاهتمام بالتلخيص التلقائي. مثال على استخدام تكنولوجيا التلخيص هو محركات البحث من جوجل. (ar) 自動要約（じどうようやく、英: Automatic summarization）は、コンピュータプログラムを用いて、文書からその要約を作成する処理である。 作成される要約は、要約の対象となる文書の最も重要な要素のみを残しているべきであり、いわゆる情報のオーバーロードに伴い自動要約に対する関心も増している。首尾一貫した要約を作成するためには要約の長さや書き方のスタイル、文法などといった点が考慮されなければならない。自動要約の応用先の1つはGoogleなどの検索エンジンであるが、もちろん独立した1つの要約プログラムといったものもありうる。 (ja) Автомати́ческое рефери́рование, анноти́рование или суммариза́ция — создание краткой версии (реферата, аннотации) текстового документа с помощью компьютерной программы. (ru) Автоматизоване реферування або квазіреферування — це виявлення в тексті первинного документа фрагментів, що містять заздалегідь заявлені змістові аспекти. Найвищого розвитку формалізація методів реферування набула з автоматизацією цього виду аналітико-синтетичної обробки документів. Необхідність реферування щораз більших обсягів документів і при цьому зменшення суб'єктивізму в наданні інформації зумовили впровадження в реферування електронних технологій. (uk) Automatic summarization is the process of shortening a set of data computationally, to create a subset (a summary) that represents the most important or relevant information within the original content. Artificial intelligence algorithms are commonly developed and employed to achieve this, specialized for different types of data. (en) Aŭtomata noticado estas tasko de Komputila lingvistiko. Estas redakto de teksto laŭ bazaj informoj, do sinteza agado kaj aparte bezonas scion el la . La kampo ankoraŭ ne bone esploriĝis; la unua fokuso de komputila lingvistiko longtempe estis analizaj agadoj kiel la rekono de lingvoj, la rekono de la temo de teksto (kiel serĉmaŝinoj faras por ekscii ĉu retpaĝo estas interesa por la serĉanto) kaj la kompreno de homa lingvo. Tamen ekzistas kelkaj elprovprojektoj nun, kiuj celas ekzemple: Je momento, la aŭtomata noticado nur malbone funkcias, la skribaĵo aspektas infana kaj ripetema. (eo) Die Text-Extraction (englisch text extraction auch englisch keyphrase extraction) bzw. Textextrahierung ist eine Methode zur automatischen Zusammenfassung eines Textes mit Hilfe computerlinguistischer Techniken. Dabei werden Teile eines Textes – zum Beispiel Sätze oder ganze Abschnitte – mittels statistischer und/oder heuristischer Methoden bezüglich ihrer Wichtigkeit oder Relevanz bewertet. Diese scores of importance dienen als Grundlage für die Entscheidung, welche Teile ("keyphrases") extrahiert und zu einem kürzeren Text zusammengestellt werden, der dann einen Überblick über die Inhalte des Originaltextes bietet und in der Regel als extract oder abstract bezeichnet wird. (de) Laburpengintza automatikoa ordenagailu programa baten bitartez testu baten bertsio laburtua sortzean datza. Prozesu honetan eskuratutako emaitzak jatorrizko testuaren informazio garrantzitsuena mantendu behar du. Gaur egun dugun informazio kopuru handiak ezinbesteko bihurtu ditu laburpenak. Hori dela eta, garrantzi handiko ikerketa arlo bilakatu da laburpengintza automatikoa. Laburpengintza baliatzen duen adibide bezala Googleren bilatzailea dugu. (eu) Deux cent six, voici un chiffre à retenir. Une nouvelle voiture ? Un code pour accéder à un service ? Pas du tout. Deux cent six, c’est le nombre d’os composant notre squelette. Chacun d’entre nous porte en lui ce nombre. Un trésor à (re)découvrir. Coté taille, c’est dans l’oreille que se trouvent les os les plus petits. Ils ne sont pas plus grand… qu’une graine de soja ! Ces osselets – c’est leur nom – sont au nombre de six. Et le plus long alors ? La tour Eiffel de notre squelette s’appelle le fémur. Il peut atteindre 76 cm. EmailOK SYNDICAT DE LA PRESSEINDÉPENDANTED’INFORMATION EN LIGNE (fr) 자동 요약은 원본 문서의 요점들을 추린 요약문을 생성하기 위해 소프트웨어를 활용하여 텍스트 문서의 길이를 줄이는 과정이다. 조리 있는 요약문을 만들기 위해 글의 길이, 문체, 구문론 등의 변수가 고려된다. 자동 데이터 요약은 기계 학습 및 데이터 마이닝의 한 부분이다. 요약의 주된 아이디어는 전체 집합으로부터 "정보"를 갖고 있는 부분 집합을 찾는 것이다. 이러한 기술은 오늘날 여러 산업 분야에서 활용되고 있는데 한 가지 예로 검색 엔진을 들 수 있다. 이 밖에 문서 요약, 이미지 컬렉션 요약, 동영상 요약 등이 있다. 문서 요약은 정보를 가장 많이 포함한 문장들을 찾아내 이들로부터 전체 문서를 대표할 수 있는 요약문 또는 개요를 생성하는 작업이다. 이미지 요약에서는 전체 컬렉션에서 대표적인 또는 가장 중요한 이미지들을 찾는 시스템을 만들고자 하며, 동영상 감시 시스템에서는 특이점이 없는 장면들 속에서 중요한 이벤트가 있는 부분만 추출하는 것이 목표가 된다. 지금까지의 연구는 주로 추출 기법에 집중되어 있으며 이는 이미지 컬렉션 요약 또는 동영상 요약에 주로 적절한 방식이다. (ko) Textsammanfattning eller textsummering (engelska Text summarisation) är namnet på de tekniker och metoder som används för att automatiskt eller halvautomatiskt producera en kort och läsbar beskrivning av innehållet i en lång text eller en samling texter. Textsammanfattning har varit ett språkteknologiskt forskningsområde redan sedan 1950-talet Tekniker som informationsextraktion och är besläktade med textsammanfattning och går att använda som delkomponenter i ett mer sofistikerat sammanfattningssystem. (sv) |
| rdfs:label | تلخيص تلقائي (ar) Text-Extraction (de) Aŭtomata noticado (eo) Automatic summarization (en) Laburpengintza automatikoa (eu) Résumé automatique de texte (fr) 自動要約 (ja) 자동 요약 (ko) Автоматическое реферирование (ru) Textsammanfattning (sv) Автоматизоване реферування (uk) |
| owl:sameAs | freebase:Automatic summarization yago-res:Automatic summarization wikidata:Automatic summarization dbpedia-ar:Automatic summarization http://bn.dbpedia.org/resource/স্বয়ংক্রিয়_সংক্ষিপ্তকরণ dbpedia-de:Automatic summarization dbpedia-eo:Automatic summarization dbpedia-eu:Automatic summarization dbpedia-fa:Automatic summarization dbpedia-fi:Automatic summarization dbpedia-fr:Automatic summarization dbpedia-ja:Automatic summarization dbpedia-ko:Automatic summarization dbpedia-nn:Automatic summarization dbpedia-ro:Automatic summarization dbpedia-ru:Automatic summarization dbpedia-sv:Automatic summarization dbpedia-th:Automatic summarization dbpedia-uk:Automatic summarization dbpedia-vi:Automatic summarization https://global.dbpedia.org/id/PWUy |
| prov:wasDerivedFrom | wikipedia-en:Automatic_summarization?oldid=1123203096&ns=0 |
| foaf:isPrimaryTopicOf | wikipedia-en:Automatic_summarization |
| is dbo:wikiPageRedirects of | dbr:Keyphrase_extraction dbr:Video_summarization dbr:Computer_generated_text_summaries dbr:Applications_of_automatic_summarization dbr:Automatic_generation_of_natural_language_summaries dbr:Automatic_text_summarization dbr:Evaluation_of_automatic_text_summarization dbr:Document_summarization dbr:Image_summarization dbr:Automated_summarization dbr:Automatic_Summarization dbr:Keyphrase_Extraction_Algorithm dbr:Auto-summarisation dbr:Auto-summarization dbr:Auto_summarization dbr:Automated_text_summarization dbr:Automatic_summarisation dbr:Text_Summaries dbr:Text_summarization dbr:AI-generated_summary |
| is dbo:wikiPageWikiLink of | dbr:List_of_datasets_for_machine-learning_research dbr:Natural_language_generation dbr:Natural_language_processing dbr:Keyphrase_extraction dbr:Deepset dbr:Cut,_copy,_and_paste dbr:DARPA_TIDES_program dbr:Video_summarization dbr:Information_retrieval dbr:Lexical_chain dbr:Computer_generated_text_summaries dbr:Circa_News dbr:GPT-2 dbr:Concept_search dbr:Applications_of_automatic_summarization dbr:Summary dbr:Text,_Speech_and_Dialogue dbr:Automatic_generation_of_natural_language_summaries dbr:Automatic_text_summarization dbr:Data_mining dbr:Data_processing dbr:GPT-3 dbr:Justsystem_Pittsburgh_Research_Center dbr:Language_Computer_Corporation dbr:Latent_semantic_analysis dbr:Evaluation_of_automatic_text_summarization dbr:Noisy_text_analytics dbr:Attempto_Controlled_English dbr:Jaime_Carbonell dbr:Sentence_extraction dbr:Transformer_(machine_learning_model) dbr:Document_summarization dbr:Image_summarization dbr:Automated_summarization dbr:Automatic_Summarization dbr:Search_engine_(computing) dbr:WordNet dbr:Tf–idf dbr:Machine_translation dbr:ROUGE_(metric) dbr:Semantic_role_labeling dbr:Image_collection_exploration dbr:Keyphrase_Extraction_Algorithm dbr:Multi-document_summarization dbr:SemEval dbr:Theaitre dbr:Outline_of_machine_learning dbr:Outline_of_natural_language_processing dbr:Paraphrasing_(computational_linguistics) dbr:Semantic_network dbr:Textual_entailment dbr:Submodular_set_function dbr:Auto-summarisation dbr:Auto-summarization dbr:Auto_summarization dbr:Automated_text_summarization dbr:Automatic_summarisation dbr:Text_Summaries dbr:Text_summarization dbr:AI-generated_summary |
| is foaf:primaryTopic of | wikipedia-en:Automatic_summarization |