PulseAugur
中
实时 16:09:16
English(EN) Automatic Thematic Indexing of Large Literary Corpora: A Machine Learning Approach to Voltaire's Complete Works

机器学习模型在伏尔泰作品主题索引方面达到高准确率

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种用于大型文学语料库自动主题索引的机器学习方法，并以伏尔泰全集作为测试案例。该研究将此任务构建为多标签分类问题，比较了包括基于编码器和使用LoRA微调的生成式LLM在内的各种模型。表现最佳的模型是经过量化的Mistral变体，其F1分数高达0.67，展示了对历史文本进行结构化主题访问的潜力。 AI

影响 这项研究展示了LLM如何应用于复杂的文学分析，有可能简化学者对历史文本的访问。

排序理由 学术论文，详细介绍了用于文学作品主题索引的机器学习方法。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

机器学习模型在伏尔泰作品主题索引方面达到高准确率

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Miguel Arana-Catania, Gillian Pink, Glenn Roe ·

    Automatic Thematic Indexing of Large Literary Corpora: A Machine Learning Approach to Voltaire's Complete Works

    arXiv:2607.09316v1 Announce Type: cross Abstract: Thematic indexing -- the practice of assigning structured conceptual labels to sections of text -- is essential to scholarly access in large-scale literary and historical editions, yet it remains a largely manual, labour-intensive…

  2. arXiv cs.AI TIER_1 English(EN) · Glenn Roe ·

    大型文学语料库的自动主题索引：一种机器学习方法应用于伏尔泰全集

    Thematic indexing -- the practice of assigning structured conceptual labels to sections of text -- is essential to scholarly access in large-scale literary and historical editions, yet it remains a largely manual, labour-intensive process. This paper explores the application of m…

相关实体

相关话题