論文の概要: Draft, Command, and Edit: Controllable Text Editing in E-Commerce

• arxiv url: http://arxiv.org/abs/2208.05623v1
• Date: Thu, 11 Aug 2022 03:48:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-12 13:14:01.710448
• Title: Draft, Command, and Edit: Controllable Text Editing in E-Commerce
• Title（参考訳）: ドラフト、コマンド、編集:Eコマースにおける制御可能なテキスト編集
• Authors: Kexin Yang, Dayiheng Liu, Wenqiang Lei, Baosong Yang, Qian Qu, Jiancheng Lv
• Abstract要約: 本稿では,Eコマースにおけるタスク制御可能な新しいテキスト編集手法を提案する。 ユーザからコマンド(削除または追加)を受け取り、その後、前バージョンに基づいてコンテンツを変更することで記述を生成する。 E-cEdits と新しいメトリクス "Attribute Edit" を提案する。
• 参考スコア（独自算出の注目度）: 34.170501320741124
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Product description generation is a challenging and under-explored task. Most such work takes a set of product attributes as inputs then generates a description from scratch in a single pass. However, this widespread paradigm might be limited when facing the dynamic wishes of users on constraining the description, such as deleting or adding the content of a user-specified attribute based on the previous version. To address this challenge, we explore a new draft-command-edit manner in description generation, leading to the proposed new task-controllable text editing in E-commerce. More specifically, we allow systems to receive a command (deleting or adding) from the user and then generate a description by flexibly modifying the content based on the previous version. It is easier and more practical to meet the new needs by modifying previous versions than generating from scratch. Furthermore, we design a data augmentation method to remedy the low resource challenge in this task, which contains a model-based and a rule-based strategy to imitate the edit by humans. To accompany this new task, we present a human-written draft-command-edit dataset called E-cEdits and a new metric "Attribute Edit". Our experimental results show that using the new data augmentation method outperforms baselines to a greater extent in both automatic and human evaluations.
• Abstract（参考訳）: 製品記述生成は難しく、未調査の課題です。 そのような作業の多くは、入力として製品属性のセットを受け取り、1回のパスでスクラッチから記述を生成する。 しかし、この広範なパラダイムは、前バージョンに基づいたユーザ指定属性の内容の削除や追加など、記述を制約するユーザの動的な欲求に直面する場合に制限される可能性がある。 この課題に対処するため、記述生成における新しいドラフトコマンド編集手法を探求し、eコマースにおいて新しいタスク制御可能なテキスト編集を提案する。 より具体的には、システムはユーザーからコマンド(削除または追加)を受け取り、前バージョンに基づいてコンテンツを柔軟に変更することで記述を生成することができる。 スクラッチから生成するよりも、以前のバージョンを変更することで、新しいニーズを満たすのが簡単で実用的です。 さらに,人間による編集を模倣するモデルベースとルールベースの戦略を含む,この課題における低リソース課題を緩和するためのデータ拡張手法を設計する。 このタスクに対応するために、E-cEditsと呼ばれる人書きのドラフトコマンド編集データセットと、新しいメトリクス"Attribute Edit"を提案する。 実験の結果,新しいデータ拡張手法は,自動評価と人的評価の両方において,ベースラインをはるかに上回っていることがわかった。

関連論文リスト

• XATU: A Fine-grained Instruction-based Benchmark for Explainable Text Updates [7.660511135287692]
  本稿では,微粒な命令ベースの説明可能なテキスト編集用に設計された最初のベンチマークであるXATUを紹介する。 XATUは、語彙、構文、意味論、知識集約的な編集といった難易度の細かいテキスト編集タスクについて検討している。 各種編集タスクにおける命令チューニングの有効性と基礎となるアーキテクチャの影響を実証する。
  論文  参考訳（メタデータ） (2023-09-20T04:58:59Z)
• SWiPE: A Dataset for Document-Level Simplification of Wikipedia Pages [87.08880616654258]
  我々は、SWiPEデータセットを導入し、英語のウィキペディア(EW)記事から単純なウィキペディア(SEW)記事への文書レベルの編集プロセスを再構築する。 我々はウィキペディアの編集者と協力して5000のEW-SEWドキュメントペアを注釈付けし、提案された19のカテゴリで4万以上の編集をラベル付けしています。 SWiPEで訓練されたモデルは、不要な編集を減らしながら、より複雑な編集を生成する。
  論文  参考訳（メタデータ） (2023-05-30T16:52:42Z)
• Editing Language Model-based Knowledge Graph Embeddings [40.12918266917595]
  本稿では,言語モデルに基づく知識グラフの埋め込みを編集する新しいタスクを提案する。 このタスクは、他の側面のパフォーマンスを損なうことなく、高速でデータ効率のよいKG埋め込みの更新を容易にするように設計されている。 我々は、4つの新しいデータセットを構築し、提案した課題に対処する以前のモデルの限られた能力を示すいくつかの知識編集ベースラインを評価する。
  論文  参考訳（メタデータ） (2023-01-25T04:45:06Z)
• EditEval: An Instruction-Based Benchmark for Text Improvements [73.5918084416016]
  編集機能の自動評価のためのインストラクションベース、ベンチマーク、評価スイートであるEditEvalを提示する。 InstructGPTとPEERが最良であることを示す事前学習モデルをいくつか評価するが,ほとんどのベースラインは教師付きSOTA以下である。 我々の分析は、タスクの編集によく使われるメトリクスが必ずしも相関しているとは限らないことを示し、最高の性能を持つプロンプトに対する最適化は、必ずしも異なるモデルに対して強い堅牢性を持つとは限らないことを示唆している。
  論文  参考訳（メタデータ） (2022-09-27T12:26:05Z)
• Document-Level Text Simplification: Dataset, Criteria and Baseline [75.58761130635824]
  文書レベルのテキスト単純化の新しいタスクを定義し,検討する。 Wikipediaダンプに基づいて、我々はまずD-Wikipediaという大規模なデータセットを構築した。 本稿では,文書レベルの単純化作業に適したD-SARIと呼ばれる新しい自動評価指標を提案する。
  論文  参考訳（メタデータ） (2021-10-11T08:15:31Z)
• Learning Structural Edits via Incremental Tree Transformations [102.64394890816178]
  構造化データのインクリメンタルな編集(すなわち「構造的編集」)のための汎用モデルを提案する。 我々の編集者は、反復的にツリー編集(例えば、サブツリーの削除や追加)を生成し、部分的に編集されたデータに適用することを学びます。 提案したエディタを2つのソースコード編集データセットで評価した結果,提案する編集エンコーダでは,従来よりも精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2021-01-28T16:11:32Z)
• Text Editing by Command [82.50904226312451]
  ニューラルテキスト生成における一般的なパラダイムは、単一のステップでテキストを生成するワンショット生成である。 この制限をユーザが既存のテキストを編集するコマンドを発行することでシステムと対話するインタラクティブテキスト生成設定で解決する。 このデータセットに基づいてトレーニングされたトランスフォーマーベースモデルであるInteractive Editorは,ベースラインを上回り,自動評価と人的評価の両方において肯定的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-10-24T08:00:30Z)
• Variational Inference for Learning Representations of Natural Language Edits [24.775371434410328]
  本稿では,ベクトル表現の連続潜在空間を学習するために,変分推論を用いた新しい手法を提案する。 また、自然言語処理の文脈において、編集表現の質を測定するために特別に設計された下流タスクPEERを提案する。
  論文  参考訳（メタデータ） (2020-04-20T09:08:59Z)

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。