論文の概要: Noisy Pairing and Partial Supervision for Stylized Opinion Summarization

• arxiv url: http://arxiv.org/abs/2211.08723v2
• Date: Fri, 9 Aug 2024 22:44:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-14 01:29:38.987850
• Title: Noisy Pairing and Partial Supervision for Stylized Opinion Summarization
• Title（参考訳）: スティル化オピニオン要約のためのノイズペアリングと部分スーパービジョン
• Authors: Hayate Iso, Xiaolan Wang, Yoshi Suhara,
• Abstract要約: ノイズペアリングと部分監督(NAPA)は、非並列顧客と専門レビューセットからスタイル化された意見要約システムを訓練する。 YelpとMichelinから顧客とプロフェッショナルのレビューを収集することで、ProSumのベンチマークを作成します。
• 参考スコア（独自算出の注目度）: 4.2785185206074825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Opinion summarization research has primarily focused on generating summaries reflecting important opinions from customer reviews without paying much attention to the writing style. In this paper, we propose the stylized opinion summarization task, which aims to generate a summary of customer reviews in the desired (e.g., professional) writing style. To tackle the difficulty in collecting customer and professional review pairs, we develop a non-parallel training framework, Noisy Pairing and Partial Supervision (NAPA), which trains a stylized opinion summarization system from non-parallel customer and professional review sets. We create a benchmark ProSum by collecting customer and professional reviews from Yelp and Michelin. Experimental results on ProSum and FewSum demonstrate that our non-parallel training framework consistently improves both automatic and human evaluations, successfully building a stylized opinion summarization model that can generate professionally-written summaries from customer reviews. The code is available at https://github.com/megagonlabs/napa
• Abstract（参考訳）: 意見要約研究は、主に、顧客レビューから重要な意見を反映した要約を、執筆スタイルにはあまり注意を払わずに作成することに焦点を当てている。 本稿では,顧客レビューの要約を所望の(例えばプロフェッショナルな)書き方で作成することを目的とした,スタイル化された意見要約タスクを提案する。 顧客と専門家のレビューペアを集めることの難しさに対処するため,非並列の顧客と専門家のレビューセットからスタイル化された意見要約システムを訓練する非並列のトレーニングフレームワークであるノイズピアリングと部分的スーパービジョン(NAPA)を開発した。 YelpとMichelinから顧客とプロフェッショナルのレビューを収集することで、ProSumのベンチマークを作成します。 ProSumとFewSumの実験結果によると、我々の非並列トレーニングフレームワークは、自動評価と人的評価の両方を一貫して改善し、顧客レビューから専門的な要約を生成できるスタイル化された意見要約モデルの構築に成功した。 コードはhttps://github.com/megagonlabs/napaで入手できる。

関連論文リスト

• Incremental Extractive Opinion Summarization Using Cover Trees [81.59625423421355]
  オンラインマーケットプレースでは、ユーザレビューは時間とともに蓄積され、意見要約を定期的に更新する必要がある。 本研究では,漸進的な環境下での抽出的意見要約の課題について検討する。 本稿では,CentroidRankの要約をインクリメンタルな設定で正確に計算するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-16T02:00:17Z)
• Optimizing Multi-Class Text Classification: A Diverse Stacking Ensemble Framework Utilizing Transformers [0.0]
  本研究では,トランスモデルを利用したマルチテキスト分類手法を提案する。 BERT、ELECTRA、DistilBERTを含む複数の単一トランスを組み合わせることにより、最適な予測モデルを生成する。 実世界の顧客レビューデータセットを用いて実験評価を行い,提案手法の有効性と優位性を示した。
  論文  参考訳（メタデータ） (2023-08-19T13:29:15Z)
• 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)
• On Faithfulness and Coherence of Language Explanations for Recommendation Systems [8.143715142450876]
  この研究は、最先端モデルとそのレビュー生成コンポーネントを探索する。 得られた説明は不安定であり, 推定評価の合理的な根拠として考える前に, さらなる評価が必要であることを示す。
  論文  参考訳（メタデータ） (2022-09-12T17:00:31Z)
• 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)
• 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)
• Topic Detection and Summarization of User Reviews [6.779855791259679]
  本稿では,レビューと要約の両方を解析して,効果的な新しい要約手法を提案する。 製品レビューと約1028の製品からなる新しいデータセットが、AmazonとCNETから収集されている。
  論文  参考訳（メタデータ） (2020-05-30T02:19:08Z)
• OpinionDigest: A Simple Framework for Opinion Summarization [22.596995566588422]
  このフレームワークは、アスペクトベースの感性分析モデルを使用して、レビューから意見フレーズを抽出し、トランスフォーマーモデルを使用して、これらの抽出から元のレビューを再構築する。 選択された意見は、訓練されたトランスフォーマーモデルへの入力として使用され、それらが意見要約に言語化される。 OpinionDigestは、特定のユーザーのニーズに合わせてカスタマイズされた要約を生成することもできる。
  論文  参考訳（メタデータ） (2020-05-05T01:22:29Z)
• 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)

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。