May, 2024

面向方面的消费者健康答案摘要

PDF
TL;DR我们的研究关注于健康答案的基于方面的总结，以解决信息不全的问题。我们提出了一个多阶段的注释指南和一个独特的数据集，包括基于方面的人工编写的健康答案总结。我们利用该数据集构建了一个自动化的多方面答案总结流程，使用了几种最先进的模型进行特定任务的微调。该流程利用问题相似性检索相关的回答句子，然后将其分类为适当的方面类型。接下来，我们使用几种最新的抽象总结模型生成基于方面的总结。最后，我们进行了全面的人工分析，发现我们的总结在捕捉相关内容和各种解决方案方面排名靠前。
community question-answering (cqa) forumshealthcare needsaspect-based summarizationautomated multi-faceted answer summarization pipelineabstractive summarization models
发现论文，激发创造
  • 无视角无感知！透视感知式医疗问答摘要

    本研究提出了一种透视特定的回答总结的新任务，通过识别医疗领域不同的观点并进行总结，以应对医疗社区问答平台中回答多样性和离题讨论带来的信息提取困难。研究使用 PUMA 数据集对 3167 个问答主题进行 6193 个透视感知的总结标注，提出了 PLASMA，一种基于提示的可控总结模型，并通过与其他基线模型的评估结果证明了 PLASMA 的卓越性能。

    Jun, 2024

  • AnswerSumm：一份手动策展的数据集与回答摘要生成管道

    该研究使用机器学习和数据归纳技术，为 Community Question Answering (CQA) fora 提出了一种新的答案总结方法，以产生最能反映回答视角范围的摘要，这种方法使用了由专业语言学家策划的数据集进行训练，并实现了语句选取、分组、摘要和纠正等多个子任务，使用了强化学习技术及数据增强方法提高其性能。

    Nov, 2021

  • 社区问答对总结

    该研究提出了一种新的社区问答（CQA）总结任务，旨在从 CQA 对中创建简洁的摘要，并通过一系列数据注释和方法比较建立了一个强大的基线方法 DedupLED，进一步确认了 CQA 总结任务中的两个关键挑战，即句子类型转换和去重移除。

    Nov, 2022

  • CQASUMM: 建立社区问答摘要语料库的参考文献

    本文介绍了第一个庞大的 CQA 自动摘要数据集 CQASUMM，利用其进行了一项新任务 —— 社区问答摘要。现有的多文档自动摘要技术不能很好地应用于社区问答，因为社区问答具有更高的变异性、与事实相悖的意见和更少的重叠，因此引入了 OpinioSumm—— 一种新的多文档自动摘要方法，其在该数据集上的表现优于最佳基准 4.6％的 ROUGE-1 得分。

    Nov, 2018

  • 面向消费者健康问题摘要的问题感知变压器模型

    本文研究针对真实世界的消费者健康问题的抽象总结任务，开发了一个抽象问题总结模型，利用医疗实体的语义识别，借此提高了问题聚焦的涵盖范围和生成信息摘要的能力。同时，我们还将问题类型信息融入到解码器的输入中，实现了问题类型驱动的摘要生成，并在 MeQSum 基准语料库上进行了评估，该框架超过了最先进方法 10.2 ROUGE-L 分，并进行手动评估以评估所生成的摘要的正确性。

    Jun, 2021

  • 消费者健康问题答案的问题驱动摘要

    本研究提供了一个包含消费者健康问题答案的问答驱动摘要集 MEDIQA Answer Summarization dataset，可用于评估抽取式或抽象式算法生成的单个或多个文档，展示了基线和最新深度学习总结模型的结果，并推动医学问题回答中的机器学习研究。

    May, 2020

  • CHQ-Summ: 消费者健康问题摘要数据集

    为了解决消费者在网络上描述医疗需求时使用过度描述性和周边信息，从而导致自然语言理解困难的挑战，我们介绍了一个新的数据集 CHQ-Summ，其包含 1507 个专业领域的消费者健康问题及相应摘要。同时，我们在多个最先进的摘要模型上对该数据集进行了基准测试，展示了其有效性。

    Jun, 2022

  • 社区问答中答案选择和答案摘要生成的联合学习

    该研究利用新颖的联合学习模型解决 CQA 中答案冗余和长度问题，设计了一个以问题为导向的指针生成网络，同时利用答案给长回答降噪，构建了一个包含长回答和参考摘要的大规模 CQA 语料库 WikiHowQA，实验证明该方法可以有效地解决 CQA 中的冗余问题，并取得了在答案选择和文本摘要任务上的最新成果。

    Nov, 2019

  • 社区论坛中的事实核查

    本研究探索了社区问答论坛中回答的真实性检查问题，并提出了一个多方面的模型来解决这个问题。该模型可以从回答内容、作者档案、社区论坛以及外部权威信息源中捕捉信息，并取得了 MAP 值 86.54 的良好评价结果。

    Mar, 2018

  • 社区问答中专家推荐的调查

    本文概述了社区问答中专家推荐的研究进展和现有技术，总结并比较了现有方法的优缺点，并讨论了未来研究方向和面临的挑战。

    Jul, 2018