論文の概要: Comparative Opinion Summarization via Collaborative Decoding

• arxiv url: http://arxiv.org/abs/2110.07520v1
• Date: Thu, 14 Oct 2021 16:41:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-15 13:52:50.418595
• Title: Comparative Opinion Summarization via Collaborative Decoding
• Title（参考訳）: コラボレーティブデコードによる意見比較要約
• Authors: Hayate Iso, Xiaolan Wang, Yoshihiko Suhara
• Abstract要約: 我々は、2つの数ショットの要約モデルからなる比較要約フレームワークCoCoSumを開発した。 新たに作成されたベンチマークCoCoSumの実験結果から、CoCoSumは高品質でコントラストがあり、一般的な要約を生成できることが示された。
• 参考スコア（独自算出の注目度）: 9.298143482660613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Opinion summarization focuses on generating summaries that reflect popular opinions of multiple reviews for a single entity (e.g., a hotel or a product.) While generated summaries offer general and concise information about a particular entity, the information may be insufficient to help the user compare multiple entities. Thus, the user may still struggle with the question "Which one should I pick?" In this paper, we propose a {\em comparative opinion summarization} task, which is to generate two contrastive summaries and one common summary from two given sets of reviews from different entities. We develop a comparative summarization framework CoCoSum, which consists of two few-shot summarization models that are jointly used to generate contrastive and common summaries. Experimental results on a newly created benchmark CoCoTrip show that CoCoSum can produce high-quality contrastive and common summaries than state-of-the-art opinion summarization models.
• Abstract（参考訳）: 意見要約は、1つのエンティティ(例えば、ホテルや製品など)に対する複数のレビューの一般的な意見を反映した要約を作成することに重点を置いているが、生成された要約は、特定のエンティティに関する一般的な情報と簡潔な情報を提供するが、その情報は、ユーザが複数のエンティティを比較するのに役に立たないかもしれない。 したがって、ユーザは"どちらを選ぶべきか"という疑問に苦慮するかも知れません。 本稿では,異なるエンティティから与えられた2つのレビュー集合から2つの対比要約と1つの共通要約を生成する「em比較意見要約」タスクを提案する。 比較要約フレームワークCoCoSumを開発し、コントラストおよび共通要約を生成するために共同で使用される2つの数ショット要約モデルからなる。 新たに作成されたベンチマークCoCoTripの実験結果は、CoCoSumが最先端の意見要約モデルよりも高品質で共通的な要約を生成できることを示している。

関連論文リスト

• Large-Scale and Multi-Perspective Opinion Summarization with Diverse Review Subsets [23.515892409202344]
  SUBSUMMは大規模多視点意見要約のための教師付き要約フレームワークである。 数百のインプットレビューから、プロ、コン、そして検証の要約を生成する。
  論文  参考訳（メタデータ） (2023-10-20T08:08:13Z)
• Simple Yet Effective Synthetic Dataset Construction for Unsupervised Opinion Summarization [28.52201592634964]
  本稿では、アスペクト特化と一般的な意見要約の両方を生成するための、単純で効果的な教師なしの2つのアプローチを提案する。 最初のアプローチであるSed Words Based Leave-One-Out (SW-LOO) は、正確にマッチングされたアスペクトシードワードによって、アスペクト関連のレビューを識別する。 第2のアプローチであるNLI-LOO(Natural Language Inference Based Leave-One-Out)では、NLIモデルを用いたアスペクト関連文を、シード語を使わずにより一般的な設定で識別する。
  論文  参考訳（メタデータ） (2023-03-21T08:08:04Z)
• 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)
• UniSumm and SummZoo: Unified Model and Diverse Benchmark for Few-Shot Summarization [54.59104881168188]
  textscUniSummは、複数の要約タスクで事前訓練された、統合された数ショットの要約モデルである。 textscSummZooは、スクリーンショットの要約をよりよく評価するための新しいベンチマークである。
  論文  参考訳（メタデータ） (2022-11-17T18:54:47Z)
• Unsupervised Summarization with Customized Granularities [76.26899748972423]
  本稿では,最初の教師なし多粒度要約フレームワークであるGranuSumを提案する。 異なる数のイベントを入力することで、GranuSumは教師なしの方法で複数の粒度のサマリーを生成することができる。
  論文  参考訳（メタデータ） (2022-01-29T05:56:35Z)
• Learning Opinion Summarizers by Selecting Informative Reviews [81.47506952645564]
  31,000以上の製品のユーザレビューと組み合わせた大規模な要約データセットを収集し、教師付きトレーニングを可能にします。 多くのレビューの内容は、人間が書いた要約には反映されず、したがってランダムなレビューサブセットで訓練された要約者は幻覚する。 我々は、これらのサブセットで表現された意見を要約し、レビューの情報的サブセットを選択するための共同学習としてタスクを定式化する。
  論文  参考訳（メタデータ） (2021-09-09T15:01:43Z)
• Aspect-Controllable Opinion Summarization [58.5308638148329]
  アスペクトクエリに基づいてカスタマイズした要約を生成する手法を提案する。 レビューコーパスを用いて、アスペクトコントローラで強化された(リビュー、サマリ)ペアの合成トレーニングデータセットを作成する。 合成データセットを用いて事前学習したモデルを微調整し、アスペクトコントローラを変更することでアスペクト固有の要約を生成する。
  論文  参考訳（メタデータ） (2021-09-07T16:09:17Z)
• A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss [51.448615489097236]
  ユーザーレビューから正確な要約と感情を取得することは、現代のEコマースプラットフォームにとって不可欠な要素である。 本稿では,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。 異なる領域の4つの実世界のデータセットに対する実験結果から,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-06-02T13:34:11Z)

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。