Update README.md
Browse files
README.md
CHANGED
|
@@ -1,9 +1,9 @@
|
|
| 1 |
-
一．概述
|
| 2 |
文本复述任务是指把一句/段文本A改写成文本B，要求文本B采用与文本A略有差异的表述方式来表达与之意思相近的文本。
|
| 3 |
改进谷歌的LaserTagger模型，使用LCQMC等中文语料训练文本复述模型，即修改一段文本并保持原有语义。
|
| 4 |
复述的结果可用于数据增强，文本泛化，从而增加特定场景的语料规模，提高模型泛化能力。
|
| 5 |
|
| 6 |
-
二．模型介绍
|
| 7 |
谷歌在文献《Encode, Tag, Realize: High-Precision Text Editing》中采用序列标注的框架进行文本编辑，在文本拆分和自动摘要任务上取得了最佳效果。
|
| 8 |
在同样采用BERT作为编码器的条件下，本方法相比于Seq2Seq的方法具有更高的可靠度，更快的训练和推理效率，且在语料规模较小的情况下优势更明显。
|
| 9 |
|
|
|
|
| 1 |
+
### 一．概述
|
| 2 |
文本复述任务是指把一句/段文本A改写成文本B，要求文本B采用与文本A略有差异的表述方式来表达与之意思相近的文本。
|
| 3 |
改进谷歌的LaserTagger模型，使用LCQMC等中文语料训练文本复述模型，即修改一段文本并保持原有语义。
|
| 4 |
复述的结果可用于数据增强，文本泛化，从而增加特定场景的语料规模，提高模型泛化能力。
|
| 5 |
|
| 6 |
+
### 二．模型介绍
|
| 7 |
谷歌在文献《Encode, Tag, Realize: High-Precision Text Editing》中采用序列标注的框架进行文本编辑，在文本拆分和自动摘要任务上取得了最佳效果。
|
| 8 |
在同样采用BERT作为编码器的条件下，本方法相比于Seq2Seq的方法具有更高的可靠度，更快的训练和推理效率，且在语料规模较小的情况下优势更明显。
|
| 9 |
|