論文の概要: LLM Based Multi-Document Summarization Exploiting Main-Event Biased Monotone Submodular Content Extraction

• arxiv url: http://arxiv.org/abs/2310.03414v1
• Date: Thu, 5 Oct 2023 09:38:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-06 16:44:34.092236
• Title: LLM Based Multi-Document Summarization Exploiting Main-Event Biased Monotone Submodular Content Extraction
• Title（参考訳）: 主イベントビザ付きモノトンサブモジュールコンテンツ抽出によるLLMに基づくマルチドキュメント要約
• Authors: Litton J Kurisinkel, Nancy F. Chen
• Abstract要約: マルチドキュメントの要約は、その固有の主観的バイアスのために難しい課題である。 我々は,関連ニュース資料群の主要イベントに着目し,ニュース要約の客観性を高めることを目的としている。
• 参考スコア（独自算出の注目度）: 42.171703872560286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-document summarization is a challenging task due to its inherent subjective bias, highlighted by the low inter-annotator ROUGE-1 score of 0.4 among DUC-2004 reference summaries. In this work, we aim to enhance the objectivity of news summarization by focusing on the main event of a group of related news documents and presenting it coherently with sufficient context. Our primary objective is to succinctly report the main event, ensuring that the summary remains objective and informative. To achieve this, we employ an extract-rewrite approach that incorporates a main-event biased monotone-submodular function for content selection. This enables us to extract the most crucial information related to the main event from the document cluster. To ensure coherence, we utilize a fine-tuned Language Model (LLM) for rewriting the extracted content into a coherent text. The evaluation using objective metrics and human evaluators confirms the effectiveness of our approach, as it surpasses potential baselines, demonstrating excellence in both content coverage, coherence, and informativeness.
• Abstract（参考訳）: マルチドキュメント要約は、DUC-2004参照サマリの中で、低アノテータROUGE-1スコアの0.4で強調される、固有の主観バイアスのため、難しい課題である。 本研究は,関連ニュース文書群の主要イベントに着目し,十分な文脈で協調して提示することで,ニュース要約の客観性を高めることを目的とする。 私たちの主な目的は、主イベントを簡潔に報告し、要約が客観的かつ情報的であることを保証することです。 これを実現するために,本手法では,コンテンツ選択に主イベントバイアスのモノトン-サブモジュール関数を組み込んだ抽出書き直し手法を用いる。 これにより、ドキュメントクラスタからメインイベントに関する最も重要な情報を抽出することができます。 コヒーレンスを確保するために,抽出したコンテンツをコヒーレントテキストに書き換えるために,微調整言語モデル(LLM)を用いる。 客観的指標と人的評価器を用いた評価は,本手法の有効性を確認し,コンテンツカバレッジ,コヒーレンス,インフォメーションの両面で優れていることを示す。

関連論文リスト

• Towards Enhancing Coherence in Extractive Summarization: Dataset and Experiments with LLMs [70.15262704746378]
  我々は,5つの公開データセットと自然言語ユーザフィードバックのためのコヒーレントな要約からなる,体系的に作成された人間アノテーションデータセットを提案する。 Falcon-40BとLlama-2-13Bによる予備的な実験では、コヒーレントなサマリーを生成するという点で大幅な性能向上(10%ルージュ-L)が見られた。
  論文  参考訳（メタデータ） (2024-07-05T20:25:04Z)
• GUMsley: Evaluating Entity Salience in Summarization for 12 English Genres [14.37990666928991]
  GUMsleyは、12のジャンルの英語テキストに対して、名前付きおよび名前なしの敬意的エンティティを全てカバーする最初のエンティティ・サリエンス・データセットである。 いくつかのモデルアーキテクチャに対して健全なエンティティを予測または提供することにより、パフォーマンスが向上し、高品質なサマリーの導出に役立つことを示す。
  論文  参考訳（メタデータ） (2024-01-31T16:30:50Z)
• Summary-Oriented Vision Modeling for Multimodal Abstractive Summarization [63.320005222549646]
  マルチモーダル抽象要約(MAS)は、マルチモーダルデータ(テキストとビジョン)から簡潔な要約を作成することを目的としている。 本稿では,要約指向の視覚的特徴によって要約品質を改善することを提案する。 中高、低低、ゼロリソースのシナリオをカバーする44言語の実験は、提案手法の有効性と優位性を検証する。
  論文  参考訳（メタデータ） (2022-12-15T09:05:26Z)
• Evaluating and Improving Factuality in Multimodal Abstractive Summarization [91.46015013816083]
  そこで我々は,CLIPBERTScoreを提案する。 ゼロショットにおけるこの2つの指標の単純な組み合わせは、文書要約のための既存の事実度指標よりも高い相関性が得られることを示す。 本分析は,CLIPBERTScoreとそのコンポーネントの信頼性と高い相関性を示す。
  論文  参考訳（メタデータ） (2022-11-04T16:50:40Z)
• Controlled Text Reduction [15.102190738450092]
  textitControlled Text Reduction をスタンドアロンタスクとして形式化する。 モデルでは、対象情報すべてと対象情報のみを含む一貫性のあるテキストを生成する必要がある。
  論文  参考訳（メタデータ） (2022-10-24T17:59:03Z)
• Salience Allocation as Guidance for Abstractive Summarization [61.31826412150143]
  本稿では, サリエンセ・サリエンス・ガイダンス(SEASON, SaliencE Allocation as Guidance for Abstractive SummarizatiON)を用いた新しい要約手法を提案する。 SEASONは、サリエンス予測の割り当てを利用して抽象的な要約を導き、異なる抽象性のある記事に順応する。
  論文  参考訳（メタデータ） (2022-10-22T02:13:44Z)
• AgreeSum: Agreement-Oriented Multi-Document Summarization [3.4743618614284113]
  記事の集合が与えられた場合、ゴールはすべての入力記事に共通かつ忠実な情報を表す抽象的な要約を提供することである。 我々は、AgreeSumのデータセットを作成し、データセット内のクラスタのサブセットについて、記事の要約関係に関するアノテーションを提供します。
  論文  参考訳（メタデータ） (2021-06-04T06:17:49Z)
• Understanding the Extent to which Summarization Evaluation Metrics Measure the Information Quality of Summaries [74.28810048824519]
  ROUGEとBERTScoreのトークンアライメントを分析し、要約を比較する。 それらのスコアは、情報の重複を測定するものとしては解釈できない、と我々は主張する。
  論文  参考訳（メタデータ） (2020-10-23T15:55:15Z)

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。