Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Vol. 32 Núm. 63 (2023)
Enero-Marzo 2023 (Publicación Continua)

Articulos

Generación automática de resúmenes extractivos para un solo documento: un mapeo sistemático

https://doi.org/10.19053/01211129.v32.n63.2023.15232

Publicado 2023-02-28

Juan-David Yip-Herrera
Universidad del Cauca

Martha-Eliana Mendoza-Becerra
Universidad del Cauca

Francisco-Javier Rodríguez
Universidad de Granada

Resumen

La Generación Automática de Resúmenes Extractivos para un Solo Documento (GAReUD) es un área de investigación que tiene como objetivo crear una versión corta de un documento con la información más relevante y adquiere mayor importancia a diario debido a la necesidad de los usuarios de obtener rápidamente información de documentos publicados en internet. En el área de generación automática de resúmenes cada elemento debe ser evaluado y luego rankeado para conformar un resumen, de acuerdo con esto, existen tres diferentes enfoques teniendo en cuenta la cantidad de objetivos que se evalúan, así: mono objetivo, multi objetivo y de muchos objetivos. El propósito de este mapeo sistemático es brindar conocimiento sobre los métodos y técnicas utilizadas en métodos extractivos de GAReUD, analizando la cantidad de objetivos y características evaluadas, que pueden ser útiles para futuras investigaciones. Este mapeo se realizó utilizando un proceso genérico para la realización de revisiones sistemáticas donde se construye una cadena de búsqueda considerando unas preguntas de investigación, luego se utiliza un filtro con unos criterios de inclusión y exclusión para la selección de los estudios primarios con los que se realizará el análisis, adicionalmente, estos estudios se ordenan de acuerdo con la relevancia de su contenido; este proceso se resume en tres pasos principales: Planificación, Ejecución y Análisis de resultados. Al final del mapeo se identificaron las siguientes observaciones: (i) existe una preferencia por la utilización de métodos basados en aprendizaje automático de máquina y también por el uso de técnicas de agrupamiento, (ii) la importancia de usar como objetivos ambos tipos de características (estadísticas y semánticas) y (iii) la necesidad de explorar el enfoque de muchos objetivos.

Palabras clave

Generación automática de resúmenes, Extractivo, Mapeo Sistemático

XML (English) PDF (English)

Citas

  1. W. S. El-Kassas, C. R. Salama, A. A. Rafea, H. K. Mohamed, “Automatic text summarization: A comprehensive survey,” Expert Systems with Applications, vol. 165, e113679, 2021. https://doi.org/10.1016/j.eswa.2020.113679 DOI: https://doi.org/10.1016/j.eswa.2020.113679
  2. A. Nenkova, K. McKeown, “A Survey of Text Summarization Techniques,” in Mining Text Data, Boston, MA: Springer US, 2012, pp. 43–76. DOI: https://doi.org/10.1007/978-1-4614-3223-4_3
  3. P. Mian, T. Conte, A. Natali, J. Biolchini, G. Travassos, “A systematic review process to software engineering,” ESELAW, vol. 32, 2005.
  4. T. Marew, J. Kim, D. H. Bae, “Systematic Mapping Studies in Software,” International Journal of Software Engineering and Knowledge Engineering, vol. 17, no. 1, pp. 33–55, 2007. DOI: https://doi.org/10.1142/S0218194007003112
  5. B. Kitchenham, O. Pearl Brereton, D. Budgen, M. Turner, J. Bailey, S. Linkman, “Systematic literature reviews in software engineering - A systematic literature review,” Information and Software Technology, vol. 51, no. 1, pp. 7–15, 2009. https://doi.org/10.1016/j.infsof.2008.09.009 DOI: https://doi.org/10.1016/j.infsof.2008.09.009
  6. O. Kaiwartya et al., “Guidelines for performing Systematic Literature Reviews in Software Engineering,” IEEE Access, vol. 4, pp. 5356–5373, 2016. https://doi.org/10.1109/ACCESS.2016.2603219 DOI: https://doi.org/10.1109/ACCESS.2016.2603219
  7. M. Gambhir, V. Gupta, “Deep learning-based extractive text summarization with word-level attention mechanism,” Multimedia Tools and Applications, vol. 81, no. 15, pp. 20829–20852, 2022. https://doi.org/10.1007/s11042-022-12729-y DOI: https://doi.org/10.1007/s11042-022-12729-y
  8. X. Han, Q. Wang, Z. Chen, L. Hu, P. Hu, “OnSum: Extractive Single Document Summarization Using Ordered Neuron LSTM,” Lecture Notes in Computer Science, vol. 12837, pp. 605–615, 2021. https://doi.org/10.1007/978-3-030-84529-2_51 DOI: https://doi.org/10.1007/978-3-030-84529-2_51
  9. M. Rahul Raj, R. P. Haroon, N. V Sobhana, “A novel extractive text summarization system with self-organizing map clustering and entity recognition,” Sadhana., vol. 45, no. 1, e32, 2020. https://doi.org/10.1007/s12046-019-1248-0 DOI: https://doi.org/10.1007/s12046-019-1248-0
  10. A. Joshi, E. Fidalgo, E. Alegre, L. Fernández-Robles, “SummCoder: An unsupervised framework for extractive text summarization based on deep auto-encoders,” Expert Systems with Applications, vol. 129, pp. 200–215, 2019. https://doi.org/10.1016/j.eswa.2019.03.045 DOI: https://doi.org/10.1016/j.eswa.2019.03.045
  11. A. Qaroush, I. Abu Farha, W. Ghanem, M. Washaha, E. Maali, “An efficient single document Arabic text summarization using a combination of statistical and semantic features,” Journal of King Saud University - Computer and Information Sciences, vol. 33, no. 6, pp. 677–692, 2021. https://doi.org/10.1016/j.jksuci.2019.03.010 DOI: https://doi.org/10.1016/j.jksuci.2019.03.010
  12. A. Khurana, V. Bhatnagar, “Investigating Entropy for Extractive Document Summarization,” Expert Systems with Applications, vol. 187, e115820, 2022. https://doi.org/10.1016/j.eswa.2021.115820 DOI: https://doi.org/10.1016/j.eswa.2021.115820
  13. S. Agarwal, N. K. Singh, P. Meel, “Single-Document Summarization Using Sentence Embeddings and K-Means Clustering,” in Proceedings - IEEE 2018 International Conference on Advances in Computing, Communication Control and Networking, 2018, pp. 162–165. https://doi.org/10.1109/ICACCCN.2018.8748762 DOI: https://doi.org/10.1109/ICACCCN.2018.8748762
  14. A. Joshi, E. Fidalgo, E. Alegre, R. Alaiz-Rodriguez, “RankSum—An unsupervised extractive text summarization based on rank fusion,” Expert Systems with Applications, vol. 200, e116846, 2022. https://doi.org/10.1016/j.eswa.2022.116846 DOI: https://doi.org/10.1016/j.eswa.2022.116846
  15. N. Saini, S. Saha, A. Jangra, P. Bhattacharyya, “Extractive single document summarization using multi-objective optimization: Exploring self-organized differential evolution, grey wolf optimizer and water cycle algorithm,” Knowledge-Based Systems, vol. 164, pp. 45–67, 2019. https://doi.org/10.1016/j.knosys.2018.10.021 DOI: https://doi.org/10.1016/j.knosys.2018.10.021
  16. N. Saini, S. Saha, D. Chakraborty, P. Bhattacharyya, “Extractive single document summarization using binary differential evolution: Optimization of different sentence quality measures,” PLoS One, vol. 14, no. 11, e0223477, 2019. https://doi.org/10.1371/journal.pone.0223477 DOI: https://doi.org/10.1371/journal.pone.0223477
  17. F. S. Tabak, V. Evrim, “Event-based summarization of news articles,” Turkish Journal of Electrical Engineering and Computer Sciences, vol. 28, no. 2, pp. 850–864, 2020. https://doi.org/10.3906/elk-1904-98 DOI: https://doi.org/10.3906/elk-1904-98
  18. N. Kindo, G. Bhuyan, R. Padhy, A New Technique for Extrinsic Text Summarization, Springer, 2019. DOI: https://doi.org/10.1007/978-981-13-7150-9_4
  19. K. Arai, S. Kapoor, R. Bhatia, Single Document Extractive Text Summarization Using Neural Networks and Genetic Algorithm, Cham: Springer International Publishing, 2019.
  20. A. Sharaff, M. Jain, G. Modugula, “Feature based cluster ranking approach for single document summarization,” International Journal of Information Technology, vol. 14, no. 4, pp. 2057–2065, 2022. https://doi.org/10.1007/s41870-021-00853-1 DOI: https://doi.org/10.1007/s41870-021-00853-1
  21. W. S. El-Kassas, C. R. Salama, A. A. Rafea, H. K. Mohamed, “EdgeSumm: Graph-based framework for automatic text summarization,” Information Processing & Management, vol. 57, no. 6, e102264, 2020. https://doi.org/10.1016/j.ipm.2020.102264 DOI: https://doi.org/10.1016/j.ipm.2020.102264
  22. R. Srivastava, P. Singh, K. P. S. Rana, V. Kumar, “A topic modeled unsupervised approach to single document extractive text summarization,” Knowledge-Based Systems, vol. 246, e108636, 2022. https://doi.org/10.1016/j.knosys.2022.108636 DOI: https://doi.org/10.1016/j.knosys.2022.108636
  23. S. Kumar, M. Naveen, S. Sriparna, S. Pushpak, Scientific document summarization in multi-objective clustering framework,” 2021.
  24. X. Mao, H. Yang, S. Huang, Y. Liu, R. Li, “Extractive summarization using supervised and unsupervised learning,” Expert Systems with Applications, vol. 133, pp. 173–181, 2019. https://doi.org/10.1016/j.eswa.2019.05.011 DOI: https://doi.org/10.1016/j.eswa.2019.05.011
  25. A. Khurana, V. Bhatnagar, “Extractive Document Summarization using Non-negative Matrix Factorization,” in Lecture Notes in Computer Science, vol. 11707, pp. 76–90, 2019. DOI: https://doi.org/10.1007/978-3-030-27618-8_6
  26. D. Debnath, R. Das, P. Pakray, “Extractive single document summarization using multi-objective modified cat swarm optimization approach: ESDS-MCSO,” Neural Computing and Applications, vol. 4, e06337, 2021. https://doi.org/10.1007/s00521-021-06337-4 DOI: https://doi.org/10.1007/s00521-021-06337-4

Descargas

Los datos de descargas todavía no están disponibles.

Artículos similares

También puede {advancedSearchLink} para este artículo.