- Ahuir-Esteve, Vicent|||0000-0001-5636-651X
[ES] Con la desorbitada cantidad de contenidos que genera continuamente la sociedad tecnológica actual, a los que se tiene acceso de forma casi instantánea, una persona puede dedicar un tiempo excesivo a buscar y filtrar contenidos para realizar una tarea. Por ello, ser capaz de identificar, extraer y condensar automáticamente la información más relevante de cualquier documento es vital. En el Procesamiento del Lenguaje Natural (PLN), este problema se aborda en el campo de la generación automática de resúmenes o summarization. Los avances en el diseño de arquitecturas de redes neuronales, sobre todo la arquitectura Transformers, han aumentado considerablemente las capacidades de los modelos lingüísticos. Estas mejoras han permitido a los modelos lingüísticos generar textos más coherentes. Por ello, en el campo del resumen automático, la comunidad científica ha empezado a crear modelos de resumen que adoptan una estrategia abstractiva. Con la estrategia abstractiva se obtienen resúmenes en los que el resumen se redacta identificando la información más relevante del documento y reinterpretando el texto del documento original para obtener un resumen lo más coherente, informativo y conciso posible. Por lo tanto, la estrategia de resumen abstractivo acerca los modelos a la forma en que los seres humanos resumen los contenidos. Este trabajo profundiza en diferentes retos dentro de la estrategia abstractiva de resumen, centrando nuestros esfuerzos en el proceso de composición o redacción de resúmenes. La tesis pretende definir con más detalle qué caracteriza la percepción de abstractividad en los resúmenes y si existen grados de variación en dicha percepción, desde resúmenes extractivos completos hasta resúmenes puramente abstractos. También exploramos formas de determinar cuándo dos resúmenes son válidos para el mismo texto a pesar de tener una redacción y una estructura notablemente diferentes. Además, estudiamos las emociones que suscitan ciertas palabras en los resúmenes, cómo varían las emociones del documento al resumen y cómo influyen este aspecto en los modelos de resumen automático., [CA] Amb la desorbitada quantitat de continguts que genera contínuament la societat tecnològica actual, als quals es té accés de forma quasi instantània, una persona pot dedicar un temps excessiu a buscar i filtrar continguts per a fer una tasca. Per això, ser capaç d'identificar, extraure i condensar automàticament la informació més rellevant de qualsevol document és vital. En el Processament del Llenguatge Natural (PLN), este problema s'aborda en el camp de la generació automàtica de resums o summarization. Els avanços en el disseny d'arquitectures de xarxes neuronals, sobretot l'arquitectura Transformers, han augmentat considerablement les capacitats dels models lingüístics. Estes millores han permés als models lingüístics generar textos més coherents. Per això, en el camp del resum automàtic, la comunitat científica ha començat a crear models de resum que adopten una estratègia abstractiva. Amb l'estratègia abstractiva s'obtenen resums en els quals el resum es redacta identificant la informació més rellevant del document i reinterpretant el text del document original per a obtindre un resum el més coherent, informatiu i concís possible. Per tant, l'estratègia de resum abstractiva acosta els models a la forma en què els éssers humans resumixen els continguts. Este treball aprofundix en diferents reptes dins de l'estratègia abstractiva de resum, centrant els nostres esforços en el procés de composició o redacció de resums. La tesi pretén definir amb més detall què caracteritza la percepció de abstractivitat en els resums i si existixen graus de variació en esta percepció, des de resums extractius complets fins a resums purament abstractius. També explorem maneres de determinar quan dos resums són vàlids per al mateix text malgrat tindre una redacció i una estructura notablement diferents. A més, estudiem les emocions que susciten unes certes paraules en els resums, com varien les emocions del document al resum i com influïxen este aspecte en els models de resum automàtic., [EN] With the exorbitant amount of content continuously generated by today's technological society, to which one has access almost instantaneously, a person can spend excessive time searching and filtering content to perform a task. Therefore, being able to automatically identify, extract, and condense the most relevant information from any document is vital. In Natural Language Processing (NLP) this problem is addressed by the automatic summary generation or summarization field. Advances in the design of neural network architectures, most notably the Transformers architecture, have significantly increased the capabilities of language models. These improvements have enabled language models to generate more coherent texts. Therefore, in the automatic summarization field, the scientific community has begun to create summarization models that adopt an abstractive strategy. With the abstractive strategy, we obtain summaries where the summary is written by identifying the most relevant information of the document and reinterpreting the text of the original document to obtain a coherent, informative, and concise summary as possible. Therefore, the abstractive summarization strategy brings the models closer to how human beings summarize content. This work delves into different challenges within the abstractive strategy of summarization, focusing our efforts on the composition or writing process of summaries. The thesis aims to define in more detail what characterizes the perception of abstractivity in summaries and whether there are grades of variation in that perception, from complete extractive summaries to purely abstract summaries. We also explore ways to determine when two summaries are valid for the exact text despite having notably different wording and structure. Additionally, we study the emotions that arise from certain words in summaries, how the emotions vary from the document to the summary, and how automatic summarization models are influenced by this aspect., This work was partially supported by the Generalitat Valenciana under project CIPROM/2021/023, and by the Spanish Ministerio de Universidades under the grant FPU21/05288 for university teacher training. It was also partially supported by the Vicerrectorado de Investigación de la Universitat Politècnica de València (PAID-01-21). It was also partially supported by the Vicerrectorado de Investigación de la Universitat Politècnica de València (PAID-11-21). It was also partially supported by MCIN/AEI/10.13039/501100011033, by the “European Union and “NextGenerationEU/MRR”, and by “ERDF A way of making Europe” under grants PDC2021-120846-C44 and PID2021-126061OB-C41. It was also partially supported by the Generalitat Valenciana under project CIPROM/2021/023.