基于理性的观点摘要
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
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。
Oct, 2023
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
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
面对大量的产品评论,我们提出了一种自动度量标准来测试摘要表达的观点普遍性,基于统计与摘要中每个陈述一致的评论数量,同时贬低琐碎或冗余的陈述。通过使用所得到的观点普遍性度量标准,我们展示了人工撰写的摘要仅比随机选取的源评论摘录稍微具有更好的观点普遍性,并且之前的抽取式和抽象式无监督观点摘要方法比人工表现更差。我们展示了通过贪婪构建抽取摘要可以改进,达到了两倍于人工的观点普遍性。最后,我们展示了通过简化源评论的预处理可将现有的抽象观点摘要系统的观点普遍性提高到人工表现水平。
Jul, 2023
本文介绍了基于神经网络和机器学习的 Opinion Summarization,主要是关于 customer reviews 的情感摘要,包括自监督、少样本和有监督学习方案,并提出了资源和评估方法。
Jun, 2022
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