Resumen de Generación automática de resúmenes extractivos de múltiples documentos basados en SGVNS e IHEA

Juan Manuel Díaz C., Anderson Buitrón P., Martha Eliana Mendoza Becerra

• español

  Debido a la gran cantidad de información existente en internet, para investigar sobre un tema es necesario leer varios documentos, lo que implica tiempo y esfuerzo para abarcar la información importante. El área de investigación de generación automática de resúmenes extractivos de múltiples documentosGARMD, aborda este problema, con el objetivo de extraer la información más relevante de una colección de documentos. En este artículo se proponen dos algoritmos para GARMD basados en las metaheurísticas, Búsqueda de Vecindad Variable General Sesgada-SGVNS y Exploración de Hiperplanos Iterado-IHEA, que presentan buenos resultados en el problema de la mochila cuadrática. La evaluación se realizó con medidas ROUGE sobre los conjuntos de datos DUC2006 y DUC2007.

  En los dos métodos de decisión multicriterio IHEA-GARMD quedó en el segundo lugar, siendo un algoritmo competitivo en el estado del arte; mostrando que las metaheurísticas siguen siendo una línea de investigación prometedora en esta área de investigación.

• English

  Due to the large amount of information on the internet, researching any topic requires reading a number of documents, which takes time and effort to cover the important information. The research area of automatic generation of extractive summaries of multiple documents-GARMD addresses this problem, with the aim of extracting the most relevant information from a document set. In this article, two algorithms for GARMD based on metaheuristics are proposed, Skewed General Variable Neighborhood Search-SGVNS and Iterated Hyperplane Exploration Algorithm-IHEA, which present good results in the quadratic backpack problem.

  The evaluation was performed with ROUGE measurements on the DUC2006 and DUC2007 data sets. In a unified classification, the IHEA-GARMD and SGVNSGARMD algorithms took second and fourth place, respectively, showing that metaheuristic-based extraction of multiple document abstracts continues to be a promising line of research.