Improving Sentence Similarity Estimation for Unsupervised Extractive Summarization
The Hong Kong Polytechnic University(香港理工大学);Peking University(北京大学)
无监督抽取式摘要的目的是从文档中抽取显著句子作为摘要,而不需要标注数据。近年来的文献主要研究如何利用句子相似度对句子进行显著性排序。然而,使用预训练的语言模型的句子相似性估计大多考虑文档级信息很少,并且与句子显著性排名的相关性较弱。在本文中,我们提出了两个新的策略,以改善句子相似性估计的无监督提取摘要。我们使用对比学习来优化文档级目标,即来自同一文档的句子比来自不同文档的句子更相似。此外,我们使用相互学习来增强句子相似度估计和句子显著性排名之间的关系,其中使用额外的信号放大器来细化关键信息。实验结果证明了我们的策略的有效性。
2023-02-24 cs.CL
Arabic text summarization based on latent semantic analysis to enhance arabic documents clustering
University Sidi Mohamed Ben Abdellah (USMBA)(西迪·穆罕默德·本·阿卜杜拉大学);Faculty of Science Dhar EL Mahraz (FSDM)(达尔·马赫拉兹科学学院)
阿拉伯文文档聚类是一项重要的任务,以获得良好的效果与传统的信息检索(IR)系统,特别是与阿拉伯语在线文档的数量迅速增长。文档聚类的目标是使用不同的相似性/距离度量将相似的文档自动分组到一个聚类中。该任务往往受到文档长度的影响,文档上的有用信息往往伴随着大量的噪声,因此有必要在保留有用信息的同时消除这些噪声,以提高文档聚类的性能。在本文中,我们建议使用潜在语义分析模型对阿拉伯文文档聚类的文本摘要的影响进行评估,以解决上述问题,使用五个相似性/距离的措施:欧几里德距离,余弦相似性,Jaccard系数,皮尔逊相关系数和平均Kullback-Leibler发散,两次:没有和词干。实验结果表明,该方法有效地解决了噪声信息和文档长度的问题,从而显着提高聚类性能。
2013-02-06 cs.CL cs.IR
A Hybrid Citation Retrieval Algorithm for Evidence-based Clinical Knowledge Summarization: Combining Concept Extraction, Vector Similarity and Query Expansion for High Precision
Northwestern University Feinberg School of Medicine(西北大学范伯格医学院);Bluhm Cardiovascular Institute of Northwestern Medicine(西北大学布鲁姆心血管研究所);University of Kansas Medical Center(堪萨斯大学医学中心)
新的信息检索方法,以确定引文相关的临床主题,可以克服知识差距之间存在的主要文献(MEDLINE)和在线临床知识资源,如UpToDate。直接检索MEDLINE数据库或使用查询扩展方法检索MEDLINE数据库会返回大量与查询无关的引文。目前的研究提出了一个引文检索系统,检索引文的循证临床知识总结。该方法结合了查询扩展、基于概念的筛选算法和基于概念的向量相似度。我们还提出了一个信息抽取框架自动概念(人口,干预,比较和疾病)提取。我们评估了我们提出的系统上的所有主题(查询)从UpToDate两种疾病,心力衰竭(HF)和心房颤动(AFib)。根据UpToDate中可用的引用金标准,该系统在HF主题上的总体F分数为41.2%,在AFib主题上的总体F分数为42.4%。与基于查询扩展的基线(HF的F评分为1.3%,AFib为2.2%)和使用疾病下位词和期刊名称、基于概念的筛选和基于术语的向量相似性系统(HF的F评分为37.5%,AFib为39.5%)的查询扩展的系统相比,这一数值显著较高。使用前K个相关引文评估系统,其中K是金标准中的引文数量,HF主题的总体F分数为69.9%,AFib主题为75.1%。此外,当对10个HF和6个AFib临床主题进行测试时,系统每个主题检索到多达18个新的相关引文。
2016-09-06 cs.CL cs.IR
Extractive Summarization for Arabic Documents Using SAraBERT with a Semantic Siamese Similarity Evaluation Metric
American University of Beirut(贝鲁特美国大学)
该研究提出增强版AraBERT(SAraBERT)及语义连体相似度评估指标,通过BLEU、ROUGE等验证,证明SAraBERT在阿拉伯语文档抽取式摘要任务中有效。
2026-08-24 cs.AI cs.CL
Combining Word Embeddings and N-grams for Unsupervised Document Summarization
Raytheon BBN Technologies(雷神BBN技术公司)
基于图的抽取式文档摘要依赖于句子相似度图的质量。基于词袋或tf-idf的句子相似度使用精确的词匹配,但不能测量单个词之间的语义相似度或考虑句子的语义结构。为了提高句子之间的相似性度量,我们采用了现成的深度嵌入特征和tf-idf特征,并引入了一种新的文本相似性度量。建立了一种改进的句子相似度图,并将其用于子模块目标函数中,该子模块目标函数由加权覆盖项和差异项组成。一个基于Transformer的压缩模型被开发用于句子压缩以帮助文档摘要。我们的摘要方法是提取和无监督的。实验表明,我们的方法可以优于基于tf-idf的方法,并在DUC 04数据集上实现最先进的性能,并且与CNN/DM和NYT数据集上的完全监督学习方法的性能相当。
2020-04-25 cs.CL cs.LG stat.ML
Centrality-as-Relevance: Support Sets and Similarity as Geometric Proximity
INESC ID Lisboa(里斯本INESC ID研究所)
在自动摘要中,中心性作为相关性意味着信息源或信息源的集合的最重要的内容对应于最中心的段落,考虑这样的概念有意义的表示(图形,空间等)。我们评估的主要范例,并介绍了一个新的基于中心的自动摘要,依赖于使用支持集,以更好地估计相关内容的相关模型。几何接近度用于计算语义相关性。中心性(相关性)是通过考虑整个输入来源(而不仅仅是当地信息),并考虑到要汇总的信息源中存在的次要主题或横向主题来确定的。该方法在于为输入源的每个段落创建仅由语义上最相关的段落组成的支持集。然后,通过选择出现在最大数量的支持集中的段落来实现最相关内容的确定。该模型产生通用的、独立于语言和领域的提取摘要。彻底的自动评估表明,该方法实现了最先进的性能,无论是在书面文本,自动转录的语音摘要,包括当比较相当复杂的方法。
2014-01-16 cs.CL cs.IR
Learning by Semantic Similarity Makes Abstractive Summarization Better
Korea University(高丽大学);NAVER(NAVER(纳瓦))
摘要模型利用预先训练好的语言模型,近年来得到了快速的发展。然而,这些模型主要是由自动评估指标,如ROUGE评估。虽然ROUGE以与人类评价分数呈正相关而闻名,但它因其脆弱性和实际质量之间的差距而受到批评。在本文中,我们比较了最近的LM,BART和基准数据集,CNN/DM,使用众包人类评价指标的参考摘要生成的摘要。有趣的是,模型生成的摘要相对于参考摘要获得更高的分数。从我们的实验结果出发,我们首先讨论了CNN/DM数据集的内在特征,预训练语言模型的进展,以及它们在训练数据上的泛化能力。最后,我们分享了我们对模型生成摘要的见解,并提出了我们对抽象摘要学习方法的想法。
2021-06-02 cs.CL
ZEST: Zero-shot Learning from Text Descriptions using Textual Similarity and Visual Summarization
Bar-Ilan University(巴伊兰大学);NVIDIA Research(英伟达研究院);Allen Institute for Artificial Intelligence(艾伦人工智能研究所)
我们研究的问题,识别视觉实体的文本描述他们的类。具体来说,给定鸟类的图像及其物种的自由文本描述,我们学习根据物种描述对以前未见过的物种的图像进行分类。这种设置已经在视觉社区中以文本中的零样本学习的名义进行了研究,重点是学习将有关鸟类视觉方面的知识从可见的类转移到以前未见过的类。在这里,我们建议关注文本描述,并从描述中提取最相关的信息,以有效地将视觉特征与讨论它们的文本部分相匹配。具体而言,(1)我们建议利用物种之间的相似性,反映在物种的文本描述之间的相似性。(2)我们得到文本的视觉摘要,即,提取摘要,重点关注倾向于反映在图像中的视觉特征。我们提出了一个简单的基于注意力的模型,增加了相似性和视觉摘要组件。我们的实证结果一致且显着优于最先进的基于文本的零样本学习的最大基准,说明文本对于zero-shot图像识别的至关重要性。
2020-10-07 cs.CL
A Novel Word Pair-based Gaussian Sentence Similarity Algorithm For Bengali Extractive Text Summarization
Institute of Information Technology(信息技术研究所);University of Dhaka(达卡大学);Centre for Advanced Research in Science(高级科学研究中心)
针对孟加拉语抽取式文本摘要现有方法语义关系表达不足的问题,提出基于词对的高斯句相似度(WGSS)算法,结合谱聚类与TF-IDF排序,在多个数据集上平均ROUGE分数优于现有模型43.2%,还构建新数据集并可扩展至其他低资源语言。
2024-11-27 cs.CL
Contextualization for the Organization of Text Documents Streams
University of Porto(波尔图大学);FEUP(波尔图大学工程学院);CEFET-RJ(里约热内卢联邦教育科学与技术学院);INESC TEC(葡萄牙国家电气与计算机工程系统与技术研究所)
研究团体已经做出了重大努力来解决提供借助于信息检索方法来组织文档的方法的问题。在这篇报告中,我们提出了一些实验与一些流分析方法来探索文本文档流。我们只使用动态算法来探索,分析和组织文本文档的流量。本文档展示了文本文档流组织的已开发架构的案例研究,使用增量TextRank和IS-TFIDF等增量算法。这两种算法都是基于这样的假设,即与批处理算法相比,文本文档及其文档-术语矩阵在低维演化网络中的映射提供了更快的处理速度。有了这个架构,并通过使用快速文本嵌入检索文档之间的相似性,我们比较方法与大型文本数据集和地面真相评估聚类能力。使用的数据集是路透社和COVID-19情绪。研究结果为基于文档流中文档间的相似性,利用上述算法,在文档组织任务中处理文档流时,相似性的语境化提供了一个新的视角。
2022-05-30 cs.AI cs.CL cs.IR
Query-Based Abstractive Summarization Using Neural Networks
Chalmers University of Technology(查尔姆斯理工大学)
在本文中,我们提出了一个模型,生成摘要的文本文档的查询。这称为基于查询的摘要。我们针对该任务调整现有的新闻文章摘要数据集,并使用该数据集训练指针生成器模型。通过测量与参考摘要的相似性来评价生成的摘要。我们的研究结果表明,一个神经网络摘要模型,类似于现有的神经网络模型的抽象摘要,可以构建利用查询,以产生有针对性的摘要。
2017-12-17 cs.CL
Directional Attractors in LLM Reasoning: How Similarity Retrieval Steers Iterative Summarization Based Reasoning
McGill University(麦吉尔大学)
本文提出InftyThink与跨链记忆,通过语义引理检索提升LLM在结构化领域推理准确性,同时揭示异构领域中的失败模式及方向性偏见影响。
2025-12-22 cs.AI cs.CL cs.LG
Unsupervised Extractive Summarization using Pointwise Mutual Information
New York University(纽约大学)
提取摘要的无监督方法通常依赖于由句子和文档之间的语义相似性定义的句子重要性的概念。我们提出了新的度量相关性和冗余使用逐点互信息(PMI)之间的句子,这可以很容易地计算出一个预先训练的语言模型。直觉上,一个相关的句子允许读者推断文档内容(高PMI的文档),而一个冗余的句子可以从摘要中推断出来(高PMI的摘要)。然后,我们开发了一个贪婪的句子选择算法,以最大限度地提高相关性和最小化冗余提取的句子。我们表明,我们的方法优于基于相似性的方法在一系列领域的数据集,包括新闻,医学期刊文章和个人轶事。
2021-03-22 cs.CL cs.LG
An Automated Length-Aware Quality Metric for Summarization
Sonnetiq
本文提出了一种名为NOIR的自动化质量评估指标,通过结合语义保留和摘要长度压缩来衡量召回率与压缩率的权衡,实验证明其与人类感知高度相关,且无需依赖人工参考摘要。
2025-07-10 cs.CL
SueNes: A Weakly Supervised Approach to Evaluating Single-Document Summarization via Negative Sampling
Iowa State University(爱荷华州立大学);Alibaba Group(阿里巴巴集团);East China Normal University(华东师范大学)
典型的自动摘要评价指标,如ROUGE,侧重于词汇相似性,不能很好地捕捉语义和语言质量,需要一个参考摘要,这是昂贵的获得。最近,已经有越来越多的努力来减轻这两个缺点中的一个或两个。在本文中,我们提出了一个概念验证的研究,弱监督摘要评估方法,没有参考摘要的存在。现有摘要数据集中的大量数据通过将文档与损坏的参考摘要配对来进行转换以进行训练。在跨域测试中,我们的策略优于基线,具有很好的改进效果,并且在衡量所有指标的语言质量方面表现出很大的优势。
2022-05-05 cs.CL cs.IR cs.LG
Query-Focused Opinion Summarization for User-Generated Content
Cornell University(康奈尔大学);LinkedIn(领英);IBM T. J. Watson Research Center(IBM托马斯·J·沃森研究中心)
我们提出了一个基于子模块功能的框架,以查询为中心的意见摘要。在我们的框架内,相关排序产生的统计排名,信息覆盖率的主题分布和不同的观点都编码为子模块功能。色散函数用于最小化冗余。我们是第一个评估不同的文本相似性指标的子模块为基础的摘要方法。通过对社区QA和博客摘要的实验,我们表明我们的系统在自动评估和人工评估方面都优于最先进的方法。在Amazon Mechanical Turk上进行了规模化的人类评估任务,并表明我们的系统能够生成高质量和信息多样性的摘要。
2016-06-17 cs.CL
LexRank: Graph-based Lexical Centrality as Salience in Text Summarization
University of Michigan(密歇根大学);School of Information(信息学院)
介绍了一种基于随机图的文本单元相对重要性计算方法,用于自然语言处理。我们测试的问题上的文本摘要(TS)的技术。提取TS依赖于句子显著性的概念来识别文档或文档集合中最重要的句子。显著性通常根据特定重要词的存在或根据与质心伪句子的相似性来定义。我们考虑一种新的方法,LexRank,用于计算句子的重要性的概念的基础上的特征向量中心的图形表示的句子。该模型采用基于句内余弦相似度的连接矩阵作为句子图形表示的邻接矩阵。我们的系统,基于LexRank排名第一位,在一个以上的任务在最近的DUC 2004年的评估。在本文中,我们提出了一个详细的分析,我们的方法,并将其应用到一个更大的数据集,包括早期DUC评估的数据。我们讨论了几种使用相似图计算中心度的方法。结果表明,在大多数情况下,基于度的方法(包括LexRank)优于基于质心的方法和其他参与DUC的系统。此外,与阈值方法的LexRank优于其他度为基础的技术,包括连续的LexRank。我们还表明,我们的方法是相当不敏感的数据,可能会导致从一个不完美的主题聚类的文件中的噪声。
2011-09-26 cs.CL
SupMMD: A Sentence Importance Model for Extractive Summarization using Maximum Mean Discrepancy
Australian National University(澳大利亚国立大学);Google Research(谷歌研究院)
多文档摘要的大部分工作都集中在每个单独的文档集中存在的信息的通用摘要。然而,更新摘要的未充分开发的设置(其中目标是识别每个集合中存在的新信息)具有相同的实际兴趣(例如,向读者呈现关于演进的新闻主题的更新)。在这项工作中,我们提出了SupMMD,一种新的技术,通用和更新摘要的基础上最大的平均差异,从内核两个样本测试。SupMMD结合了针对显著性的监督学习和针对覆盖率和多样性的无监督学习。此外,我们调整多核学习以利用多个信息源之间的相似性(例如,文本特征和基于知识的概念)。我们通过在DUC-2004和TAC-2009数据集上达到或超过当前最先进水平,展示了SupMMD在通用和更新摘要任务中的功效。
2020-10-06 cs.CL
Gold Standard Online Debates Summaries and First Experiments Towards Automatic Summarization of Online Debate Data
The University of Sheffield(谢菲尔德大学)
在线文本媒体的使用正在稳步增长。每天,越来越多的新闻故事,博客文章和科学文章被添加到在线卷。这些都是免费访问,并已被广泛应用于多个研究领域,例如自动文本摘要,信息检索,信息抽取等,同时,在线辩论论坛最近变得流行,但在很大程度上还未开发。由于这个原因,没有足够的资源注释的辩论数据可用于进行研究,在这一体裁。在本文中,我们收集和注释的自动摘要任务的辩论数据。与提取黄金标准摘要生成类似,我们的数据包含值得包含到摘要中的句子。五个人类注释者执行了这项任务。基于语义相似性的注释者间一致性,Cohen的kappa为36%,Krippendorff的alpha为48%。此外,我们还实现了一个在线辩论的提取摘要系统,并讨论了自动总结在线辩论数据的任务的突出特点。
2017-08-15 cs.AI cs.CL cs.IR
FFCI: A Framework for Interpretable Automatic Evaluation of Summarization
The University of Melbourne(墨尔本大学)
在本文中,我们提出了FFCI,细粒度的摘要评估,包括四个要素的框架:忠实度(与源的事实一致性程度),重点(精度的摘要内容相对于参考),覆盖率(回忆的摘要内容相对于参考),和跨篇连贯性(相邻句子之间的文件流畅性)。我们构建了一个新的数据集的焦点,覆盖范围和跨语言连贯性,并开发自动方法来评估FFCI的四个维度的基础上交叉比较的评估指标和基于模型的评估方法,包括问答(QA)的方法,语义文本相似性(STS),下一句预测(NSP),和来自19个预先训练的语言模型的分数。然后,我们将开发的指标应用于评估两个数据集上的各种摘要模型,并得出了一些令人惊讶的发现。
2022-02-28 cs.CL
Event-based evaluation of abstractive news summarization
University of Oslo(奥斯陆大学);University of Bergen(卑尔根大学)
本文提出一种基于事件重叠的抽象式新闻摘要评估方法,通过在挪威语数据集上计算生成摘要、参考摘要与原文之间的事件重叠来评估摘要质量,为摘要中的事件信息提供更深入的分析。
2025-07-01 cs.CL
FactSim: Fact-Checking for Opinion Summarization
MercadoLibre São Paulo, Brazil(巴西圣保罗MercadoLibre);MercadoLibre Cordoba, Argentina(阿根廷 CordobaMercadoLibre)
FactSim提出了一种全自动方法,用于评估意见摘要中生成内容的事实一致性,通过测量摘要声明与原始评论声明的相似性,提高事实核查的准确性。
2026-02-09 cs.CL
Abstracts or full text? Evaluating input scope and computational efficiency in biomedical lay summarization
Özyeğin University(厄齐耶金大学);Galatasaray University(加拉塔萨雷大学)
本研究对比生物医学通俗摘要中基于摘要与全文的生成效果,发现基于摘要的方法整体表现更优,且运行速度是全文方法的4.70至5.31倍,可在保证质量的同时降低计算成本。
2026-10-16 cs.CL
A Multi-Model Metric-based Selection Framework for Abstractive Text summarization
University of Science and Technology of China(中国科学技术大学)
提出一种多模型自适应选择框架,通过集成多个微调的Transformer模型并基于自动评估指标选择最佳摘要,在CNN/DailyMail数据集上BERTScore达88.63%,优于GPT3-D2等大模型。
2026-07-16 cs.AI cs.CL
Exploring Sentence Vector Spaces through Automatic Summarization
Williams College(威廉姆斯学院);University of Colorado, Colorado Springs(科罗拉多大学科罗拉多斯普林斯分校)
给定单个单词的向量表示,有必要以组合的方式计算句子的向量表示,通常使用人工神经网络。相对较少的工作已经探讨了这种句子向量的内部结构和属性。在本文中,我们探讨了自动文摘的背景下,句子向量的性质。特别是,我们证明了句子向量和文档向量之间的余弦相似性与句子的重要性密切相关,并且向量语义可以识别和纠正迄今为止所选句子与文档之间的差距。此外,我们还确定了与有效摘要相关的具体维度。据我们所知,这是第一次将句子嵌入的特定维度与句子属性联系起来。我们还比较了不同的句子嵌入方法的特点。这些见解中的许多在句子嵌入的应用远远超出了摘要。
2018-10-16 cs.CL cs.LG stat.ML
Automated Metrics for Medical Multi-Document Summarization Disagree with Human Evaluations
University of Washington(华盛顿大学);Allen Institute for AI(艾伦人工智能研究所);University of Melbourne(墨尔本大学);Northeastern University(东北大学)
研究医学多文档摘要自动评估指标与人工评估的不一致,引入人工评估数据集分析指标相关性,发现自动指标与人工排名常呈反相关。
2023-05-23 cs.CL
Input Order Shapes LLM Semantic Alignment in Multi-Document Summarization
University of Zurich(苏黎世大学)
研究发现输入顺序显著影响LLM在多文档摘要中的语义对齐,优先位置的文章对摘要的语义相似性有显著影响。
2025-12-02 cs.CL
A Comparison of Document Similarity Algorithms
Penn State University at Abington(宾州州立大学阿宾顿分校)
本文旨在考察并比较统计、神经网络和语料库/知识库这三类文档相似度算法,通过一系列基准数据集和评估测试,确定各领域中最有效的算法,以推动自然语言处理领域的发展。
2023-04-03 cs.AI cs.CL
Cost-efficient generative AI summarization for scalable automated essay scoring in educational assessment
Princeton University(普林斯顿大学)
研究针对自动作文评分受输入长度限制问题,提出用生成式人工智能辅助摘要框架,用GPT-5变体生成摘要作输入,结合手工语言特征形成混合框架,评估其在评分等方面表现,揭示相关权衡,为AES提供初步评估及基线等。
2026-07-20 cs.CL cs.LG
Is Summary Useful or Not? An Extrinsic Human Evaluation of Text Summaries on Downstream Tasks
Peking University(北京大学)
本文研究通过问答、文本分类和文本相似度评估三种下游任务外在评估文本摘要的有用性,发现微调模型生成的摘要有用性一致性更高,并揭示了仅依赖内在自动指标的局限性。
2023-05-24 cs.CL
Medalyze: Lightweight Medical Report Summarization Application Using FLAN-T5-Large
Electrical Engineering Department, Le Quy Don Technical University(谅奎顿技术大学电子工程系);Department of Information Technology, University of Science and Technology of Hanoi(河内科学技术大学信息科技系);Department of acute diseases and Emergency - Institute for the treatment of senior Staff, 108 Institute of Clinical Medical and Pharmaceutical Sciences(急性疾病与急诊科-老年人员治疗研究所,108临床医学与药理科学研究所);Computing Architecture Laboratory, Nara Institute of Science and Technology(科学与技术国立研究所计算架构实验室)
Medalyze利用三个微调的FLAN-T5-Large模型,在Web和移动平台实现医学报告摘要、健康问题提取和关键问题识别,性能优于GPT-4,提供隐私保护且轻量级的医疗信息可及性解决方案。
2025-05-17 cs.AI cs.CL
Assisting humans in complex comparisons: automated information comparison at scale
University of Toronto(多伦多大学);Royal Bank of Canada(加拿大皇家银行)
本文提出ASC$^2$End系统,利用抽象式摘要、检索增强生成和零样本提示,实现大规模自动化信息比较,克服上下文限制,提升比较质量。
2024-09-19 cs.AI cs.CL cs.LG
A Comparative Study of Sentence Embedding Models for Assessing Semantic Variation
University of Cincinnati(辛辛那提大学)
本文通过分析多部文学书籍中连续句子相似度时间序列和成对相似度矩阵,在真实场景下比较多种句子嵌入方法,发现它们能推断出高度相关的语义变化模式,但存在有趣差异。
2023-08-08 cs.AI cs.CL
Neural Machine Translation Inspired Binary Code Similarity Comparison beyond Function Pairs
University of South Carolina(南卡罗来纳大学);Temple University(天普大学)
二进制代码分析允许分析二进制代码,而无需访问相应的源代码。二进制文件在反汇编后,用汇编语言表示。这启发我们利用自然语言处理(NLP)的思想和技术来处理二进制分析,NLP是一个专注于处理各种自然语言文本的丰富领域。我们注意到,二进制代码分析和NLP共享了许多类似的主题,例如语义提取,摘要和分类。这项工作利用这些想法来解决两个重要的代码相似性比较问题。(I)给定用于不同指令集体系结构(ISA)的一对基本块,确定它们的语义是否相似;以及(II)给定感兴趣的一段代码,确定它是否包含在用于不同ISA的另一段汇编代码中。这两个问题的解决方案有很多应用,如跨架构漏洞发现和代码剽窃检测。我们实现了一个原型系统INNEREYE,并进行了全面的评估。我们的方法和现有的方法问题I之间的比较表明,我们的系统优于他们的准确性,效率和可扩展性。利用该系统进行的案例研究表明,我们对问题II的解决方案是有效的。此外,本研究展示了如何将NLP的思想和技术应用于大规模二进制代码分析。
2018-12-16 cs.CL cs.CR cs.PL