تلخيص الجدول الزمني على أساس ضغط الرسم البياني للحدث عبر النقل الأمثل

يحدد تلخيص الجدول الزمني الأحداث الرئيسية من مجموعة أخبار ويصفها بعد النظام الزمني، مع التواريخ الرئيسية الموسومة. الأساليب السابقة تولد عموما ملخصات بشكل منفصل لكل تاريخ بعد تحديد تواريخ الأحداث الرئيسية. تطل هذه الطرق على الأحداث "Intra-Interra -ysures (الحجج) والهياكل المختلفة (اتصالات أحداث الأحداث). بعد مسار مختلف، نقترح تمثيل المقالات الإخبارية كشركة بيانية حدث، وبالتالي تصبح التلخيص ضغط الرسم البياني بأكمله إلى الرسم البياني الفرعي البارز. الفرضية الرئيسية هي أن الأحداث المتصلة بها من خلال الوسائط المشتركة والنظام الزمني تصور هيكل عظمي جدول زمني، يحتوي على أحداث ذات صلة من الناحية الدلوية، متماسكة مؤقتا ومربحا هيكليا في الرسم البياني العالمي للحدث. يتم بعد ذلك إدخال مسافة النقل الأمثل التي تدركها على تعلم نموذج الضغط بطريقة غير منشأة. نظرا لأن نهجنا يتحسن بشكل كبير على حالة الفن على ثلاث مجموعات بيانات حقيقية، بما في ذلك معايير قياسية عامة ومجموعة بيانات الطوارئ 10 المجمعة حديثا.

Timeline Summarization identifies major events from a news collection and describes them following temporal order, with key dates tagged. Previous methods generally generate summaries separately for each date after they determine the key dates of events. These methods overlook the events' intra-structures (arguments) and inter-structures (event-event connections). Following a different route, we propose to represent the news articles as an event-graph, thus the summarization becomes compressing the whole graph to its salient sub-graph. The key hypothesis is that the events connected through shared arguments and temporal order depict the skeleton of a timeline, containing events that are semantically related, temporally coherent and structurally salient in the global event graph. A time-aware optimal transport distance is then introduced for learning the compression model in an unsupervised manner. We show that our approach significantly improves on the state of the art on three real-world datasets, including two public standard benchmarks and our newly collected Timeline100 dataset.