論文の概要: Improving Factual Consistency of Abstractive Summarization on Customer Feedback

• arxiv url: http://arxiv.org/abs/2106.16188v1
• Date: Wed, 30 Jun 2021 16:34:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-01 12:38:42.328573
• Title: Improving Factual Consistency of Abstractive Summarization on Customer Feedback
• Title（参考訳）: 顧客フィードバックにおける要約要約の事実整合性の向上
• Authors: Yang Liu, Yifei Sun, Vincent Gao
• Abstract要約: Eコマースストアは顧客からのフィードバックを集め、売り手が顧客の懸念について学び、顧客の注文体験を向上させる。 フィードバックの簡潔な要約は、売り手が顧客の不満の原因となる問題をよりよく理解するのに役立ちます。 従来の抽象テキスト要約モデルは、顧客からのフィードバックから要約を生成する際に、2つの主要な事実エラーを発生させる。
• 参考スコア（独自算出の注目度）: 5.084731309706487
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: E-commerce stores collect customer feedback to let sellers learn about customer concerns and enhance customer order experience. Because customer feedback often contains redundant information, a concise summary of the feedback can be generated to help sellers better understand the issues causing customer dissatisfaction. Previous state-of-the-art abstractive text summarization models make two major types of factual errors when producing summaries from customer feedback, which are wrong entity detection (WED) and incorrect product-defect description (IPD). In this work, we introduce a set of methods to enhance the factual consistency of abstractive summarization on customer feedback. We augment the training data with artificially corrupted summaries, and use them as counterparts of the target summaries. We add a contrastive loss term into the training objective so that the model learns to avoid certain factual errors. Evaluation results show that a large portion of WED and IPD errors are alleviated for BART and T5. Furthermore, our approaches do not depend on the structure of the summarization model and thus are generalizable to any abstractive summarization systems.
• Abstract（参考訳）: Eコマースストアは顧客からのフィードバックを集め、売り手が顧客の懸念について学び、顧客の注文体験を向上させる。 顧客からのフィードバックは、しばしば冗長な情報を含んでいるため、顧客不満を引き起こす問題を売り手がより理解できるように、フィードバックの簡潔な要約を生成することができる。 従来の抽象テキスト要約モデルでは、顧客からのフィードバックから要約を生成する際に、誤ったエンティティ検出(WED)と誤った製品欠陥記述(IPD)の2つの主要な事実エラーを発生させる。 本研究では,顧客フィードバックにおける抽象的な要約の事実整合性を高めるための一連の手法を紹介する。 我々は,人工的に破損した要約を用いて訓練データを強化し,対象要約の対応語として使用する。 トレーニング対象に対照的な損失項を加え、モデルが特定の事実的誤りを避けるために学習する。 評価の結果,BARTおよびT5では,WEDおよびIPDエラーの大部分が軽減された。 さらに,本手法は要約モデルの構造に依存しないため,任意の抽象的要約システムに対して一般化できる。

関連論文リスト

• Towards Personalized Review Summarization by Modeling Historical Reviews from Customer and Product Separately [59.61932899841944]
  レビュー要約(review summarization)は、Eコマースのウェブサイトで製品レビューのメインの考え方を要約することを目的とした、簡単ではないタスクである。 Heterogeneous Historical Review aware Review Summarization Model (HHRRS)を提案する。 我々は、レビュー感情分類と要約を共同で行うマルチタスクフレームワークを採用している。
  論文  参考訳（メタデータ） (2023-01-27T12:32:55Z)
• Efficient Few-Shot Fine-Tuning for Opinion Summarization [83.76460801568092]
  抽象的な要約モデルは、典型的には大量のジェネリックテキストで事前訓練され、数万から数十万の注釈付きサンプルで微調整される。 アダプタをベースとした数ショット法では,ドメイン内の知識を容易に保存できることを示す。 この自己教師型アダプタの事前トレーニングにより,AmazonとYelpのデータセット上の2.0および1.3ROUGE-Lポイントの要約品質が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-04T16:38:37Z)
• CLIFF: Contrastive Learning for Improving Faithfulness and Factuality in Abstractive Summarization [6.017006996402699]
  我々は、与えられた記事に忠実で事実に整合した抽象的な要約を生成することを研究する。 参照要約を正のトレーニングデータとして活用し、誤要約を負のトレーニングデータとして自動生成し、両者を区別し易い要約システムを訓練する、新しいコントラスト学習定式化を提案する。
  論文  参考訳（メタデータ） (2021-09-19T20:05:21Z)
• Multi-Fact Correction in Abstractive Text Summarization [98.27031108197944]
  Span-Factは、質問応答モデルから学んだ知識を活用して、スパン選択によるシステム生成サマリーの補正を行う2つの事実補正モデルのスイートである。 我々のモデルは、ソースコードのセマンティック一貫性を確保するために、反復的または自動回帰的にエンティティを置き換えるために、シングルまたはマルチマスキング戦略を採用している。 実験の結果,自動測定と人的評価の両面において,要約品質を犠牲にすることなく,システム生成要約の事実整合性を大幅に向上させることができた。
  論文  参考訳（メタデータ） (2020-10-06T02:51:02Z)
• Few-Shot Learning for Opinion Summarization [117.70510762845338]
  オピニオン要約は、複数の文書で表現された主観的な情報を反映したテキストの自動生成である。 本研究では,要約テキストの生成をブートストラップするのには,少数の要約でも十分であることを示す。 提案手法は, 従来の抽出法および抽象法を, 自動的, 人的評価において大きく上回っている。
  論文  参考訳（メタデータ） (2020-04-30T15:37:38Z)
• Unsupervised Opinion Summarization with Noising and Denoising [85.49169453434554]
  ユーザレビューのコーパスから合成データセットを作成し、レビューをサンプリングし、要約のふりをして、ノイズのあるバージョンを生成します。 テスト時に、モデルは本物のレビューを受け入れ、健全な意見を含む要約を生成し、合意に達しないものをノイズとして扱います。
  論文  参考訳（メタデータ） (2020-04-21T16:54:57Z)
• Enhancing Factual Consistency of Abstractive Summarization [57.67609672082137]
  ファクトアウェアな要約モデル FASum を提案し,実情関係を抽出し,要約生成プロセスに統合する。 次に,既存のシステムから生成した要約から事実誤りを自動的に補正する事実補正モデルFCを設計する。
  論文  参考訳（メタデータ） (2020-03-19T07:36:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。