Abstract
dc:descriptionΗ απλοποίηση κειμένου αναγνωρίζεται ευρέως ως μια πολύτιμη τεχνική για την ενίσχυση της διάχυσης της γνώσης και της προσβασιμότητας της πληροφορίας. Μέσω της εξάλειψης της γλωσσικής πολυπλοκότητας σε ένα κείμενο, δίνεται στους αναγνώστες η δυνατότητα να κατανοήσουν καλύτερα το περιεχόμενό του. Παρά τις σημαντικές ερευνητικές προσπάθειες στην περιοχή της αυτόματης απλοποίησης κειμένου, η απλοποίηση κειμένου ως ολότητας αποτελεί ένα νέο πεδίο στον τομέα thw Επεξεργασίας Φυσικής Γλώσσας (NLP) που δεν έχει εξεταστεί επαρκώς. Η παρούσα εργασία προσεγγίζει την αυτόματη απλοποίηση κειμένου ως ολότητας με βάση τη διαγραφή προτάσεων. Η προτεινόμενη μέθοδος υλοποιεί αντιστοιχίσεις προτάσεων μεταξύ ζευγαριών συγκρίσιμων κειμένων (πρωτότυπο-απλοποιημένο κείμενο), για την αυτόματη μοντελοποίηση των τεχνικών απλοποίησης που έχουν προταθεί για κλίμακα κειμένου, συμπεριλαμβανομένης της διαγραφής προτάσεων, της προσθήκης προτάσεων, της συγχώνευσης προτάσεων, της διαίρεσης προτάσεων και της παράφρασης. Αναπτύχθηκαν συνολικά 8 μοντέλα αντιστοίχισης με χρήση Sentence Transformers Εmbeddings, εκ των οποίων το all-mpnet-base-v2 σε συνδυασμό με τον αλγόριθμο Itermax πέτυχε την βέλτιστη επίδοση στην πλειονότητα των κατηγοριών. Αξιοσημείωτο είναι ότι η διαγραφή αναδείχθηκε ως η πλέον κυρίαρχη κατηγορία, επιστρέφοντας τα πιο υψηλά σκορ αντιστοίχισης (micro P/R/F 90,0/82,62/86,15, macro P/R/F 87,33/81,21/84,16 και weighted macro P/R/F 92,58/82,62/87,32). Στη συνέχεια, το καλύτερο μοντέλο αντιστοίχισης εφαρμόστηκε σε ένα υποσύνολο του συνόλου δεδομένων «D-Wikipedia» για την αυτόματη δημιουργία ενός νέου μεγάλης κλίμακας συνόλου δεδομένων, το οποίο και χρησιμοποιήθηκε για την εκπαίδευση, παραμετροποίηση και αξιολόγηση 2 μοντέλων δυαδικής ταξινόμησης (binary classifier): το ένα αναπτύχθηκε με βάση τον αλγόριθμό SVM και το δεύτερο με βάση το BERT. Εκπαιδεύθηκαν ώστε να προβλέπουν τη διαγραφή προτάσεων για την απλοποίηση κειμένου ως ολότητας και παρήγαγαν σχεδόν τα ίδια αποτελέσματα (μοντέλο SVM: P/R/F 70,71/70,88/70,78, μοντέλο BERT: P/R/F 70,38/70,07/70,20). Από αυτές τις προβλέψεις προέκυψαν δύο σύνολα απλοποιημένων κειμένων. Για την αξιολόγηση της απόδοσης των εν λόγω μοντέλων απλοποίησης μέσω διαγραφής προτάσεων, αναπτύχθηκαν 6 μοντέλα baseline καθώς και ένα μοντέλο oracle και ως σύνολο κειμένων αναφοράς χρησιμοποιήθηκε το αντίστοιχο σύνολο απλοποιημένων κειμένων από το «D-Wikipedia». Τα αποτελέσματα απέδειξαν την υπεροχή του συστήματος απλοποίησης που βασίστηκε στο BERT ως προς τη μετρική D-SARI (25,64 έναντι 21,21 του SVM). Επιπλέον, η απόδοση του μοντέλου oracle επιβεβαίωσε την εγκυρότητα της προσέγγισης και επαλήθευσε την ερευνητική υπόθεση. Επισημάνθηκε επίσης ότι οι υφιστάμενες μετρικές αξιολόγησης συστημάτων απλοποίησης κειμένου ως ολότητας παρουσιάζουν σημαντικούς περιορισμούς.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Κοντοέ Δήμητρα
- Kontoe Dimitra
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:3338660