EMNLPOct, 2023

大规模多角度意见总结与多样化评论子集

PDF
TL;DR本研究提出了 SUBSUMM，一种用于大规模多角度意见摘要的监督式摘要框架，实验证明该框架能够从数百个输入的评论中生成正面、负面和结论性摘要，并且深度分析表明评论子集的先进选择和两阶段训练方案对提高摘要性能至关重要。
opinion summarizationreview setsmulti-perspectivelarge-scalesummarization framework
发现论文，激发创造
  • 大规模观点概括：使用 XL-OPSUMM 进行增量观点概括

    电子商务中的意见总结基于用户对产品的评论，该研究通过提出 Xl-OpSumm 框架实现对大规模评论的生成总结，并在实验中展示其在 AMASUM 和 Xl-Flipkart 数据集上的效率提升。

    Jun, 2024

  • 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

  • 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

  • OpinionDigest: 一个简单的意见摘要框架

    OpinionDigest 是一款使用 Aspect-based Sentiment Analysis 模型并训练 Transformer 模型来从多个评论中提取、合并、评估和转化用户观点的抽象意见摘要框架，可针对特定用户需求生成定制的意见摘要，同时在 Yelp 数据上表现出比竞争基线更好的摘要质量。

    May, 2020

  • 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

  • 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

  • OpinSummEval: 重新审视舆情摘要自动评估

    观点总结与其他类型的总结任务有所不同，因为其独特关注于方面和情感。本文介绍了 OpinSummEval，它是一个包含人工评价和 14 个观点总结模型输出的数据集。我们进一步探讨了 24 个自动评估指标与人工评分之间在四个维度上的相关性。结果表明，基于神经网络的指标通常优于非神经网络的指标。然而，即使是构建在强大的模型基础之上，如 BART 和 GPT-3/3.5，也不能在所有维度上一致地与人工评分相关，凸显了观点总结自动评估方法的进步需求。代码和数据可在此 URL 公开获取。

    Oct, 2023

  • 自监督的多模态意见摘要

    我们提出了一个名为 MultimodalSum 的自监督多模态意见摘要框架，它利用非文本数据如图像和元数据，通过分别为每种模态使用单独的编码器来获得每种模态的表征，并使用文本解码器生成摘要，最终通过多模态训练管道来融合多模态信息以提高摘要生成效果。在 Yelp 和 Amazon 数据集上的实验结果表明 MultimodalSum 的优越性。

    May, 2021

  • 产品描述与问答辅助自我监督意见摘要

    在电子商务中，通过引入额外的信息源和自主训练的方法，我们提出了一种新颖的综合数据集创建策略来生成观点摘要。我们的模型采用了多编码器解码器框架，针对每个信息源使用一个编码器以在生成摘要时实现有效信息选择。实验证明，我们的方法与目前的最佳模型相比，在 ROUGE-1 F1 指标上平均提高了 14.5%。此外，人工评估结果显示，MEDOS 模型在连贯性和流畅性方面相对较高，分别为 0.41 和 0.5（-1 到 1 的评分），相较于现有模型具有更高的质量。据我们所知，我们是第一个利用额外信息源进行自主训练生成观点摘要的研究。

    Apr, 2024