دانلود ترجمه مقاله خلاصه سازی استخراجی تک سندی براساس عملگرهای ژنتیکی

1. مقدمه 2. کارهای مرتبط 3. بیان مسئله و فرمول ریاضی آن 4. الگوریتم تقلیدی پیشنهادی: MA-SingleDocSum 5. آزمایش و ارزیابی 6. نتیجه گیری

نتیجه گیری: در این مقاله الگوریتم تقلیدی برای خلاصه سازی استخراجی تک سند (MA-SingleDocSum) پیشنهاد شد. این الگوریتم تولید خلاصه های استخراجی را مسئله بهینه سازی باینری در نظر می گیرد. اما برخلاف آخرین متدهای موجود، در این طرح جستجوی عمومی مبتنی بر جمعیت با کاوش جستجوی محلی (روش تقلیدی) ادغام شده است. کاوش جستجوی محلی از دانش مسئله برای هدایت جستجو به سمت بهترین جواب بهره می گیرد. متد MA-SimlgeDocSum با آخرین متدهای موجود دیگر با استفاده از سنجش های ROUGE در مجموعه داده DUC2001 و DUC2002 مقایسه شد. نتایج نشان داد که MA-SingleDocSum عملکرد بهتری از آخرین متدهای موجود دارد. الگوریتم پیشنهادی متشکل از عملگرهای انتخاب زایا براساس دامنه (مبتنی بر رتبه) برای انتخاب پدر فرزند جدید با ترغیب تنوع در جمعیت؛ انتخاب (به روش) رولت برای انتخاب مادر، که در آن فشار انتخابی بسیار مطلوب است؛ کراسور (آمیزش) تک نقطه ای برای تولید فرزند، که بازهم با حفظ ماده ژنتیکی بیشتر از والدین برای فشار انتخابی مطلوب است؛ جهش چند بیتی (Multi-bit) که برای تنوع جمعیت مطلوب است، با انتخاب تصادفی گروه و فشار انتخابی برای حذف بدترین مورد است. الگوریتم بهینه سازی محلی در MA-SingleDicSum جستجوی محلی هدایت شده است که استراتژی کاوش و بررسی هدایت شده بوسیله اطلاعات مسئله را حفظ می کند و کیفیت خلاصه های حاصل را نسبت به تکنیک های بهینه سازی محلی ارزیابی شده دیگر بهبود می دهد. زیرا استراتژی هایی را برای بهره گیری از بهترین مشخصات ارزیابی جمله دربرمی گیرد. بر این اساس، در پیکربندی آن جملات سند به صورت مشخصه جستجو تعریف می شوند، هزینه مشخصات به صورت ترکیبی از موقعیت و رابطه با فاکتورهای عنوان، و برای پارامتر تنظیم (λ) محاسبه می شود. تابع هدف برای متد MA-SingleDocSum تعریف شد، و با ویژگی های زیر شکل گرفت: موقعیت، رابطه با عنوان، طول، انسجام، و همگرایی، و در انتخاب جملات مرتبط از سند موثر شناخته شد. بهترین نتایج با MA-SingleDocSum در مقایسه با آخرین متدهای دیگر بدست آمد. با فرآیند تنظیم وزن های تابع هدف، دریافتیم که تاثیرگذارترین مشخصات عبارتند از موقعیت، رابطه با عنوان و طول. متد MA-SingleDocSum پیشنهادی با سنجش ROUGE-1 و ROUGE-2 در مجموعه داده های DUC2001 و DUC02002 ارزیابی شد. در مقایسه با آخرین متدهای تکاملی دیگر، با سنجش ROUGE-2، متد MA-SingleDocSum بهترین نتایج را دارد و با DUC2001 تا 8.59% عملکرد بهتری از FEOM، بهترین مدل قبلی، داشت، با DUC2002 تا 6.42% بهبود عملکرد نسبت به UnifiedRank داشت. در مورد سنجش ROUGE-1 برای مجموعه داده DUC2001، این متد تا 6.67% بهتر ازDE عمل کرد و با مجموعه داده DUC2002 تا 0.41% بهتر از UnifiedRank عمل کرد. بعلاوه، در رتبه بندی یکپارچه همه متدها، رتبه MA-SingleDocSum اول بود، و از همه متدهای دیگر عملکرد بهتری داشت.

Conclusions: In this paper a memetic algorithm for the extractive summarization of a single document (MA-SingleDocSum) is proposed. This algorithm addresses the generation of extractive summaries as a binary optimization problem. But unlike from methods of state of the art, in this proposal is combined the population-based global search with a local search heuristic (memetic approach). The local search heuristic exploits the problem knowledge for redirect the search toward a best solution. The MA-SingleDocSum method was compared with others the state of the art methods, using ROUGE measures on the datasets DUC2001 and DUC2002. And the results had shown that MA-SingleDocSum outperforms the state of the art methods. The proposed algorithm is comprised of reproductive selection operators based on the range (Rank-based) for choosing the father of a new offspring, which attempts to avoid dominance by the fittest agents, encouraging diversity in the population; Roulette wheel selection for choosing the mother, through which selective pressure is greatly favored; one-point crossover to generate the offspring, which also favors selective pressure by retaining much of the genetic material from the parents; Multi-bit mutation that favors population diversity; and Restricted competition replacement whose adaptation fosters diversity, with random choosing of the group and selective pressure to eliminate the worst. The local optimization algorithm used in MA-SingleDocSum is Guided Local Search, which maintains an exploitation strategy directed by the information of the problem, improving the quality of the summaries obtained in relation to other local optimization techniques evaluated. This is because it incorporates strategies to exploit the best characteristics of sentence evaluation. In that sense, in its configuration the sentences of the document are defined as the search characteristics, the cost of the characteristics is calculated as a combination of the Position and the Relationship with the Title factors, and for the regularization parameter (k). An objective function for the method MA-SingleDocSum was defined, formed by features such as: Position, Relationship with the Title, Length, Cohesion, and Coverage, and which proved effective in selecting relevant sentences from a document, the best results being obtained with MA-SingleDocSum in comparison with other state of the art methods. Following the process of tuning the weights of the objective function, it was found that the most influential characteristics are Position, Relationship with the Title and Length. The MA-SingleDocSum method proposed was evaluated by means of the measures ROUGE-1 and ROUGE-2 on the data sets DUC2001 and DUC2002. When compared against other state of the art evolutionary methods, with the measure ROUGE-2, MA-SingleDocSum presents the best results, outperforming FEOM, the best prior method by 8.59% with DUC2001 and UnifiedRank by 6.42% with DUC2002. In the case of the measure ROUGE-1 for the dataset DUC2001 it is outperformed by the DE by 6.67% and by UnifiedRank at 0.41% with DUC2002. In addition, in the unified ranking of all methods, MA-SingleDocSum ranks first, outperforming all other methods.

بخشی از ترجمه مقاله (صفحه 23 و 24 فایل ورد ترجمه)