Apr, 2024

产品描述与问答辅助自我监督意见摘要

PDF
TL;DR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。
opinion summarizatione-commercesynthetic dataset creationmulti-encoder decoder frameworkadditional sources
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 超越意见挖掘：客户评论观点总结

    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

  • 电商网站的总结和探索性意见

    该研究提出了一种名为 SEOpinion 的方法，使用模板信息和客户评论结合的方式，为产品方面提供总结并发现对其的意见，通过层次化的产品方面提取和基于产品方面的意见总结两个主要阶段，利用深度学习的 BERT 技术进行测试。实验结果表明，循环神经网络（RNN）在第一和第二阶段的 F1 值方面取得了比卷积神经网络（CNN）和支持向量机（SVM）技术更好的结果（分别为 77.4% 和 82.6%）。

    Dec, 2023

  • 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

  • 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