基于内容规划的无监督意见摘要

AAAIDec, 2020

Unsupervised Opinion Summarization with Content Planning

Reinald Kim Amplayo, Stefanos Angelidis, Mirella Lapata

TL;DR本文探讨深度学习在抽象性概括方面的成功，以及因评论摘要的训练数据不易获取而引发对依赖人工制作的方法的发展，提出通过采用内容计划的概念在评论摘要既可以获得更高质量的结果，也可以生成自然且更接近于真实世界的摘要 - 评论数据集。

Abstract

The recent success of deep learning techniques for abstractive summarization is predicated on the availability of large-scale datasets. When summarizing reviews (e.g., for products or movies), such training data

deep learning abstractive summarization synthetic datasets content planning aspect and sentiment distributions

发现论文，激发创造

无监督舆情摘要生成与加噪声去噪声技术

本文介绍了一种基于🈚️ground truth summaries 的情况下，利用文档创建合成数据集、引入多种噪声生成函数以及学习生成原始评论的摘要模型的方法，该方法比抽取式和生成式基线模型都有更好的效果。

Apr, 2020

观点摘要的小样本学习

本文介绍了一种学习无监督条款，在生成模型中引入少量样本来捕获其必要属性的方法，用于生成商品评论等主观性文本的摘要，该方法比以往的提取和抽象方法更有效。

Apr, 2020

通过选择有信息量的评论学习观点摘要器

本文研究了如何在大数据集上进行意见总结，并通过选择有信息量的评论子集并联合学习摘要生成器来解决这个问题。

Sep, 2021

简单而有效的合成数据集构建方法，用于无监督的意见摘要

本文提出两种简单有效的无监督方法来生成针对特定方面和一般意见的摘要，其训练于构建的人工合成数据集上，第一种方法基于原始数据中的方面种子词，第二种方法则是利用自然语言推断模型。

Mar, 2023

无监督意见摘要作为抄袭评论生成

本研究提出了一种基于变分自编码器的生成模型，可以在无监督学习的条件下，通过控制输入文本的变异程度，生成简明扼要、持有共识观点的评论摘要。

Nov, 2019

信息丰富且可控的观点摘要

本文提出了一种摘要框架，通过将目标的所有评论压缩为多个密集向量以代替传统的前置筛选步骤，从而最大化地保留所有信息，进而生成更具信息量的摘要，并且采用零样本技术，能够有效地生成根据用户需求定制的摘要，实验结果表明了该模型在 Rotten Tomatoes 数据集上的优越性能。

Sep, 2019

OpineSum: 基于蕴含的自训练方法用于抽象意见摘要

本文提出了一种基于自我训练的抽象化意见摘要方法 OpineSum，该方法使用文本蕴涵的新颖应用程序来捕捉一个项目的各种评论中的意见共识，从而在大规模上获得银标准摘要并训练无监督和少量样本的摘要系统，而在结构中实现了最先进的性能。

Dec, 2022

可控观点摘要

本论文提出了一种基于方面查询的定制摘要生成方法，使用多示例学习模型诱导的方面控制器创建 (review,summary) 对的合成训练数据集，通过微调预训练模型，生成修改方面控制器的方面特定摘要。在两个基准测试中，我们的模型表现优于先前的技术水平，并通过控制讨论的方面数量生成个性化摘要。

Sep, 2021

可归属且可扩展的意见概括

我们提出了一种无监督的意见摘要方法，该方法将顾客评论中的句子编码到分层离散的潜空间中，然后基于编码的频率识别常见的意见，并通过解码这些频繁的编码生成抽象摘要和通过选择分配给相同频繁编码的句子生成提取摘要

May, 2023

收集意见：方面提取会见情感预测，并且它们均受弱监督

文中介绍了一种从在线产品评论中进行意见摘要的神经框架，该方法是知识瘦身的，只需要轻量级的监督，包括产品领域标签和用户提供的评分。方法结合了两个弱监督组件（一个偏向提取器和一个基于多实例学习的情感预测器），从多个评论中识别显著观点并形成提取式摘要。研究介绍了包括六个不同领域的产品评论的训练集以及具有黄金标准方面注释、显著标签和意见摘要的人工注释开发和测试集的意见摘要数据集。自动评估显示该方法相对于基线的显著改进，大规模研究表明根据多个标准，人类评判员更喜欢该方法的意见摘要。

Aug, 2018