Graph neural network benchmark per la selezione di contenuto rilevante nella low-resource summarization

Nel cuore di questo elaborato vi è G-SEEK, un approccio innovativo presentato recentemente dal team di ricerca del prof. Gianluca Moro, insieme ai dott. Lorenzo Valgimigli e Luca Ragazzi, in un paper dedicato. G-SEEK è stato introdotto come un modello rivoluzionario per la Summarization, progettato specificamente per affrontare le sfide legate alla Summarization di documenti lunghi, combinando tecniche avanzate di elaborazione del linguaggio naturale con metodi di apprendimento automatico. Questo modello si propone come soluzione per la Summarization abstrattiva basata su grafi, avendo la capacità di creare grafi di conoscenza da grandi quantità di testo, fornendo una rappresentazione semantica ricca e compressa dei dati. In questo lavoro, sono stati esplorati ulteriormente le potenzialità di G-SEEK combinandolo con nuove Graph Neural Networks(GNN). Ogni GNN porta con sé un insieme unico di caratteristiche e tecniche di modellazione, offrendo diverse prospettive sulla semantica dei grafi creati da G-SEEK.Inoltre, per migliorare ulteriormente l'efficacia, sono stati integrati nuovi Large Language Models(LLM).Ogni LLM, sono noti per le loro capacità di elaborazione del linguaggio naturale, hanno fornito un ulteriore strato di comprensione e hanno migliorato significativamente la qualità dei riassunti generati.