Resumen

La sumarización multidocumento extractiva se modela como un problema de mediana modificada. El problema se formula teniendo en cuenta cuatro requisitos básicos, a saber, relevancia, cobertura de información, diversidad y límite de longitud que deben satisfacer los resúmenes. Para resolver el problema de optimización se crea un algoritmo de evolución diferencial autoadaptativo. La evolución diferencial ha demostrado ser un algoritmo eficiente y robusto para muchos problemas de optimización reales. Sin embargo, aún puede converger hacia soluciones óptimas locales, es necesario ajustar manualmente los parámetros y encontrar los mejores valores para los parámetros de control es una tarea consumidora. En el documento se propone un factor de escala autoadaptativo en el DE original para aumentar la capacidad de exploración y explotación. Se ha encontrado que la evolución diferencial autoadaptativa puede encontrar eficientemente la mejor solución en comparación con la evolución diferencial canónica. Implementamos nuestro modelo en la tarea de sumarización multidocumento. Los experimentos han mostrado que el modelo propuesto es competitivo en el conjunto de datos D

• Materias:Probabilidad Colectiva Minería de datos Algoritmo de evolución Computación evolutiva Sistemas neuronales
• Subjects:Collective probability Data mining Evolutionary algorithm Evolutionary Computation Neural systems
• Palabras claves:Extractiva; Resumen multidocumento; Algoritmo evolutivo diferencial autoadaptativo; Problema de optimización; Exploración; Explotación.
• Keywords:Extractive; Multidocument summarization; Self-adaptive differential evolution algorithm; Optimization problem; Exploration; Exploitation.