כתבה
arXiv cs.CL ·
פרקטיקה היברידית לקטגוריזציה וסיכום טקסטים ביו-רפואיים
A Hybrid Hierarchical 1D-CNN-BiLSTM Framework for Extractive Summarization of Biomedical and Clinical Text
מערכת חדשה לסיכום טקסטים ביו-רפואיים, המבצעת סיכום טקסטים כך שכל הטקסטים הנבחרים הם ישירות מהמקור. המערכת משתמשת בקונבולוציות 1D-CNN וב-LSTM לייצור תיאורי תצוגה עשירים של תצוגות טקסט, ואחר כך משתמשת בפקדוע קל לייצור ציונים לכל תצוגה. המערכת נבחנה על פי נתוני PubMed והציגה תוצאות טובות יותר מאשר רכיבי CNN ו-LSTM נפרדים.
תקציר מקורי באנגליתarXiv:2609.13481v1 Announce Type: new Abstract: Large language models have made abstractive summarization remarkably fluent, but generated summaries can hallucinate facts, posing serious risks in biomedical and clinical domains. We address this by removing generation from the pipeline and framing summarization as extractive sentence selection. Our Hybrid Hierarchical CNN-LSTM Summarizer uses stacked multi-kernel convolutions to compose sentence-level embeddings into richer inter-sentence representations, followed by a bidirectional LSTM to model long-range dependencies across the document. A lightweight scoring head assigns per-sentence importance scores and is trained end-to-end with binary cross-entropy against oracle extractive labels. At inference, a dynamic mean-plus-standard-deviatio
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית