[22COLING] COLO: A Contrastive Learning based Re-ranking Framework for One-Stage Summarization

最新推荐文章于 2025-12-02 22:28:09 发布

原创最新推荐文章于 2025-12-02 22:28:09 发布 · 141 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#自然语言处理

Text Summarization 同时被 3 个专栏收录

4 篇文章

订阅专栏

论文解读

3 篇文章

订阅专栏

COLING

1 篇文章

订阅专栏

本文提出了一种基于对比学习的单阶段摘要重排框架，旨在改进文本摘要的质量。研究者从动机出发，介绍了模型设计、实验结果以及关键见解，借鉴了Ravaut等人2022年的SummaReranker工作。

COLO: A Contrastive Learning based Re-ranking Framework for One-Stage Summarization

论文信息：
来源：
作者：

1.Motivation

2.Contribution

3. Model

4. Experiments

5. Key takeaways

模板参考：SummaReranker (Ravaut et al, 2022) 阅读笔记

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

wwwwzm

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

论文阅读：COLING 2025 Exploiting the Index Gradients for Optimization-Based Jailbreaking on Large Languag

CSPhD-winston的博客

10-03

485

这篇论文讲的是一种针对大语言模型（比如ChatGPT、Llama2这类）的“高效越狱方法”，简单说就是研究怎么更快、更有效地让原本会拒绝恶意请求的AI，乖乖输出有害内容——但作者强调这只是为了帮科研界找到AI的安全漏洞，不是真的要搞破坏。但作者发现，只有那些“梯度为正”的词（可以理解为“改了之后更可能让AI听话”的词）才值得改，梯度为负的词改了也没用，纯属浪费时间。但问题是，原来的GCG方法特别慢——每一步都要逐个试后缀里的每个词，还得反复让AI算“损失值”（判断当前后缀好不好用），耗时又耗力，效率很低。

【论文阅读笔记|coling2022】OneEE: A One-Stage Framework for Fast Overlapping and NestedEvent Extraction

11-16

1688

该模型配备了一个自适应事件融合模块来生成事件感知表示，以及一个距离感知预测器来集成相对距离信息来进行字词关系识别，经验证明这是一种有效的机制。

1 条评论您还未登录，请先登录后发表或查看评论

OneEE: A One-Stage Framework for Fast Overlapping and Nested Event Extraction 论文解读

qq_45041871的博客

03-23

1415

事件抽取(EE)是信息抽取的基本任务，旨在从非结构化文本中抽取结构化事件信息。大多数先前的工作集中于抽取平面事件，而忽略了重叠或嵌套的事件。一些用于重叠和嵌套EE的模型包括几个抽取事件触发词和论元的连续阶段，这些阶段会受到错误传播的影响。因此，我们设计了一个简单而有效的标注方案和模型来表述EE作为词-词关系识别，称为OneEE。通过并行网格标记，在一个阶段内同时识别触发词和论元词之间的关系，从而获得非常快的事件抽取速度。该模型。

论文笔记 COLING 2022|OneEE: A One-Stage Framework for Fast Overlapping and Nested Event Extraction

o11oo11o的博客

11-04

344

论文题目：OneEE: A One-Stage Framework for Fast Overlapping and Nested Event Extraction论文来源：CONLING 2022组织机构：武汉大学论文链接：https://arxiv.org/pdf/2209.02693.pdf代码链接：https://github.com/Cao-Hu/OneEE。

【论文精读】COLING 2022 - DESED: Dialogue-based Explanation for Sentence-level Event Detection

qq_45041871的博客

03-31

533

最近许多句子级事件检测的工作都集中在丰富句子语义上，例如通过多任务或基于提示的学习。尽管效果非常好，但这些方法通常依赖于标签广泛的人工标注，或者需要领域专业知识来设计复杂的模板和规则。本文提出了一种新的基于对话解释的句子语义检测方法。通过基于对话的事件解释，我们指的是通过一致的信息密集型对话来解释事件，原始事件描述作为开始的话语。我们提出了三种简单的对话生成方法，然后将其输出输入混合注意力机制来表征补充事件语义。

[Coling2018]SGM: Sequence Geneatin Model for Multi-Label Classificatin

Deep Learning and NLP Farm

10-23

738

这篇文章是Coling2018年的best paper, 因为之前解决multi-label问题都是用分类的方法，本文提供了一种新思路，用生成的方式解决该问题。觉得还是挺新颖的，记录一下。一：任务介绍 Multi-label classification(MLC) is to assign multiple labels to each instance in the dataset 就是针对数...

复现实践COLING 2022 FactMix: Using a Few Labeled In-domain Examples to Generalize to Cross-domain NER

zql1009的博客

01-13

259

原文链接：https://arxiv.org/abs/2208.11464代码链接：GitHub - lifan-yuan/FactMix: Code for COLING 2022 paper "FactMix: Using a Few Labeled In-domain Examples to Generalize to Cross-domain Named Entity Recognition"示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。 2.读入数据

【大模型LLMs】LLMs-based Summarization研究进展梳理

YJY131248的博客

08-16

1623

梳理基于大模型的摘要总结方案，持续汇总中（更关注query-focused summarization）

【Coling 2022】Context-Tuning: Learning Contextualized Prompts for Natural Language Generation

qq_44861716的博客

10-10

616

Context-Tuning: Learning Contextualized Prompts for Natural Language Generation

精选资源

BCTN-in-COLING-2020:论文中的源代码-机器阅读理解的双向认知思维网络-bc source code

03-24

BCTN-in-COLING-2020是一个专门针对这一任务的先进模型，它采用了双向认知思维网络（Bidirectional Cognitive Thinking Network）。这个模型的独特之处在于它结合了两种思维方式：反向思考和惯性思考，以提高理解和...

报告：西南财经大学-第一章：自然语言处理绪论PPT-93页.pptx

04-15

比如ACL（Association for Computational Linguistics）、EMNLP（Conference on Empirical Methods in Natural Language Processing）、NAACL（North American Chapter of the Association for Computational ...

大语言模型进阶（一）之大语言模型基础

qq_22341693的博客

12-02

565

本文系统剖析了大语言模型（LLM）的技术基础，重点阐述了Transformer架构的核心机制及其演进。首先解析了Transformer的解码器结构，包括嵌入表示层、注意力层（特别是多头注意力和因果注意力）、前馈网络以及残差连接与层归一化等关键组件。随后介绍了GPT模型的生成式预训练范式，包括无监督预训练和有监督微调两阶段方法。接着以LLaMA为例，详细探讨了现代大语言模型的结构优化，包括前置RMSNorm、SwiGLU激活函数、旋转位置编码(RoPE)以及分组查询注意力(GQA)等创新技术。最后从实践角度提

大语言模型（Large Language Model, LLM）系统详解

EdmundBai的博客

12-02

186

定义：大语言模型（LLM）是语言模型（Language Model, LM）的进阶形态，通常以Transformer为核心架构，在万亿级tokens的通用文本数据上预训练，能通过少量提示（Prompt）适配翻译、创作、推理等多样化自然语言任务，无需针对单一任务重新训练。本质：通过学习海量文本的语义、语法、知识规律，构建通用的语言表征与生成能力，类比人类通过海量阅读形成的语言认知体系，可泛化到未见过的场景。

词袋模型在自然语言处理中的理论演进与应用研究：一项系统性综述

最新发布

andeyeluguo的博客

12-02

词袋（Bag of Words, BoW）模型作为自然语言处理（Natural Language Processing, NLP）中最基础且最具影响力的文本表示方法之一，自20世纪末以来持续影响着信息检索、文本分类与情感分析等核心任务。尽管近年来以BERT为代表的深度上下文嵌入模型在性能上实现了显著超越，但BoW模型因其计算效率高、解释性强及可扩展性佳，在特定场景中仍具不可替代的价值。

（七）自然语言处理笔记——Ai医生

guoqingru0311的博客

11-29

198

（七）自然语言处理笔记——Ai医生

AI核心知识23——大语言模型之System Prompt（简洁且通俗易懂版）

2302_79444404的博客

11-29

850

System Prompt是AI模型的“角色剧本”，作为最高优先级指令在对话前设定。它决定了AI的角色定位、回答方式和禁忌范围，类似导演给演员讲戏。技术上，System Prompt位于API调用的首位，具备三大功能：确立角色、设定安全边界、规定输出格式。与用户可见的User Prompt不同，System Prompt是开发者设定的隐藏指令，贯穿整个对话。为防止“提示词注入”攻击，现代AI会加强防御以保持角色一致性。简言之，System Prompt就是AI的"人设配置文件"

从零构建大模型智能体：统一消息格式，快速接入大语言模型

日积月累，天道酬勤

11-29

937

一站式封装 LLM 调用，轻松构建智能 Agent，支持流式与非流式输出。

【笔记】和各大AI语言模型写项目——手搓SDN后得到的经验

匆匆往站

11-29

300

AI编程助手正在改变程序员的工作方式，能够高效完成基础组件开发（如音乐播放器、星盘图表等），但在复杂逻辑嵌套时仍需人工干预。文章以手搓SDN为例，展示了AI在陌生领域的领路能力，同时指出其探索性问题的局限性。作者分享了使用AI编程的实用技巧：提供具体描述、设置验证关卡、引用参考代码等，强调人工校正的重要性。最后推荐claude 4.5 sonnet模型，通过清晰描述和echo校正可成功完成复杂任务部署。

AI核心知识21——大语言模型之核心参数Temperature（简洁且通俗易懂版）

2302_79444404的博客

11-28

1073

温度参数是调节大语言模型输出随机性的关键设置。低温度(0.1-0.3)使AI回答更稳定保守，适合编程、数学等严谨任务；高温度(0.8-1.2)增加创造性，适合写作、创意场景，但可能产生不连贯内容。温度通过改变词语选择概率分布来工作：低温强化高频词选择，高温提升低频词机会。最佳设置需根据任务需求平衡：事实性任务用低温，创意任务用高温。注意温度仅控制随机性，不能纠正AI的知识错误。