Jun, 2024
ReadCtrl: 使用可读性受控指导学习个性化文本生成
ReadCtrl: Personalizing text generation with readability-controlled instruction learning
Hieu Tran, Zonghai Yao, Lingxi Li, Hong Yu
TL;DR基于大型语言模型（LLMs）进行可读性控制的文本生成是个性化应用的重要方向，本论文引入了一种名为 “Readability-Controlled Instruction Learning (ReadCtrl)” 的新方法，通过这种方法可以调整 LLMs，以适应用户的可读性水平。与传统方法不同的是，该方法引入了一种动态框架，使 LLMs 能够在各种复杂性水平上生成内容，从而增强了它们在不同应用中的适用性。研究结果表明，ReadCtrl-Mistral-7B 模型在人工评估中以 52.1%：35.7% 的胜率明显优于强大的基准模型，例如 GPT-4 和 Claude-3。此外，ReadCtrl 在自动评估中表现出显著改进，通过更好的可读性指标（如 FOG，FKGL）和生成质量指标（如 BLEU，SARI，SummaC-Factuality，UniEval - 一致性和连贯性），说明 ReadCtrl 在产生与目标可读性水平密切匹配的高质量、上下文适应性强的输出方面具有有效性和韧性，标志着 LLMs 在个性化内容生成方面的重大进展。