연구 논문 요약 : 추상적 인 방법 및 헝겊 기술을 가진 통합 접근법
프로젝트 개요
이 프로젝트는 AI 및 NLP의 최신 발전을 결합하여 연구 논문을 요약하기위한 포괄적 인 시스템을 개발하는 것을 목표로합니다. 그것은 두 가지 주요 방법론을 포함합니다.
- 추상적 텍스트 요약 : 인코더 디코더 및주의 메커니즘으로 깊은 신경망을 활용 하여이 방법은 연구 논문의 간결하고 논평적인 요약을 생성하는 것을 목표로합니다.
- LLMS 및 RAG 기술의 통합 : LLM (Lange Language Model)의 기능을 활용하고 RAG (Restrieval-Augmented Generation)의 능력을 활용하여 대화 형 요약을 생성하고 연구 논문에서 귀중한 통찰력을 추출하는 데 중점을 둡니다.
방법론
추상적 텍스트 요약
- 목표 : 연구 논문의 핵심 아이디어를 캡슐화하는 역사적 요약을 제작합니다.
- 기술 :주의 메커니즘, 전송 학습을 갖춘 인코더 디코더 모델.
대형 언어 모델과 헝겊 기술
- 목표 : 대화식 요약에 LLM을 사용합니다.
- 프로세스 : 미세 조정 라미니 LLM, NEO4J로 지식 그래프 개발 및 RAG 방법론 구현.
데이터 소스
주요 데이터 소스는 소개, 방법론 및 결론 섹션에 중점을 둔 다양한 분야의 연구 논문입니다.
켈 제한
- 연구 논문 데이터의 가용성 및 품질에 대한 의존성.
- 연구 논문의 다양한 특성은 요약 과정에 도전 할 수 있습니다.
- LLM의 리소스 집약적 미세 조정.
- 헝겊 방법론으로 예상치 못한 도전.
? 결론
우리의 프로젝트는 추상 텍스트 요약을 LLMS 및 RAG 기술과 병합하여 연구 논문에서 통찰력을 추출하기위한 독특한 접근 방식을 개발하려고합니다.
? 참조
- Wu Minghao et al. "Lamini-LM : 대규모 지침의 다양한 증류 모델 무리." Arxiv preprint arxiv : 2304.14402 (2023).
- Lewis Patrick et al. "지식 집약적 인 NLP 작업을위한 검색 세대." 신경 정보 처리 시스템의 발전 33 (2020) : 9459-9474.
- Nallapati Ramesh et al. "Sequence-to-Sequence RNNS 및 그 이상을 사용한 추상적 인 텍스트 요약." Arxiv preprint arxiv : 1602.06023 (2016).
프로젝트 기고자 : Smit Shah, Mayur Bhanushali, Indrajeet Roy
