論文の概要: Large-Scale and Multi-Perspective Opinion Summarization with Diverse
Review Subsets
- arxiv url: http://arxiv.org/abs/2310.13340v1
- Date: Fri, 20 Oct 2023 08:08:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 23:54:27.861218
- Title: Large-Scale and Multi-Perspective Opinion Summarization with Diverse
Review Subsets
- Title(参考訳): 横レビューサブセットを用いた大規模・多視点オピニオン要約
- Authors: Han Jiang, Rui Wang, Zhihua Wei, Yu Li, Xinpeng Wang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 23.515892409202344
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Opinion summarization is expected to digest larger review sets and provide
summaries from different perspectives. However, most existing solutions are
deficient in epitomizing extensive reviews and offering opinion summaries from
various angles due to the lack of designs for information selection. To this
end, we propose SUBSUMM, a supervised summarization framework for large-scale
multi-perspective opinion summarization. SUBSUMM consists of a review sampling
strategy set and a two-stage training scheme. The sampling strategies take
sentiment orientation and contrastive information value into consideration,
with which the review subsets from different perspectives and quality levels
can be selected. Subsequently, the summarizer is encouraged to learn from the
sub-optimal and optimal subsets successively in order to capitalize on the
massive input. Experimental results on AmaSum and Rotten Tomatoes datasets
demonstrate that SUBSUMM is adept at generating pros, cons, and verdict
summaries from hundreds of input reviews. Furthermore, our in-depth analysis
verifies that the advanced selection of review subsets and the two-stage
training scheme are vital to boosting the summarization performance.
- Abstract(参考訳): 意見要約は、より大きなレビューセットを消化し、異なる視点から要約を提供することが期待されている。
しかし、既存のソリューションのほとんどは、情報選択のための設計の欠如により、広範囲なレビューやさまざまな角度からの意見要約の提供に不足している。
そこで本稿では,大規模複数意見要約のための教師付き要約フレームワークであるsubsummを提案する。
SUBSUMMは、レビューサンプリング戦略セットと2段階のトレーニングスキームから構成される。
サンプリング戦略は感情指向と対照的な情報価値を考慮に入れ、異なる視点と品質レベルからのレビューサブセットを選択することができる。
その後、サブ最適部分集合と最適部分集合から学習し、大容量入力に乗じて学習することを推奨する。
AmaSumとRotten Tomatoesのデータセットによる実験結果から、SUBSUMMは数百のインプットレビューからpros, cons, and verdict summariesを生成するのに適していることが示された。
さらに,詳細な分析により,レビュー部分集合の高度選択と2段階学習が要約性能の向上に不可欠であることを検証した。
関連論文リスト
- Measuring "Why" in Recommender Systems: a Comprehensive Survey on the
Evaluation of Explainable Recommendation [87.82664566721917]
この調査は、IJCAI、AAAI、TheWebConf、Recsys、UMAP、IUIといったトップレベルのカンファレンスから100以上の論文に基づいています。
論文 参考訳(メタデータ) (2022-02-14T02:58:55Z) - 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) - Multi-Perspective Abstractive Answer Summarization [76.10437565615138]
コミュニティ質問応答フォーラムには、幅広い質問に対する回答の豊富なリソースが含まれている。
マルチパースペクティブな回答要約の目標は、答えのすべての観点を含む要約を作成することである。
本研究は,多視点抽象要約を自動生成する新しいデータセット作成手法を提案する。
論文 参考訳(メタデータ) (2021-04-17T13:15:29Z) - Extractive Opinion Summarization in Quantized Transformer Spaces [52.95867345952894]
抽出的意見要約のための監視されていないシステムであるQuantized Transformer (QT)を提示する。
QTはVector-Quantized Variational Autoencodersにインスパイアされ、人気主導の要約に活用する。
論文 参考訳(メタデータ) (2020-12-08T14:23:46Z) - Unsupervised Reference-Free Summary Quality Evaluation via Contrastive
Learning [66.30909748400023]
教師なしコントラスト学習により,参照要約を使わずに要約品質を評価することを提案する。
具体的には、BERTに基づく言語的品質と意味情報の両方をカバーする新しい指標を設計する。
ニューズルームとCNN/デイリーメールの実験では,新たな評価手法が参照サマリーを使わずに他の指標よりも優れていることが示された。
論文 参考訳(メタデータ) (2020-10-05T05:04:14Z) - Massive Multi-Document Summarization of Product Reviews with Weak
Supervision [11.462916848094403]
製品レビュー要約は、MDS(Multi-Document Summarization)タスクの一種です。
レビューの小さなサンプルを要約すると、重要な情報が失われる可能性がある。
本稿では,標準的な要約アルゴリズムに基づいて,大量のレビューを要約するスキーマを提案する。
論文 参考訳(メタデータ) (2020-07-22T11:22:57Z) - Read what you need: Controllable Aspect-based Opinion Summarization of
Tourist Reviews [23.7107052882747]
オンライン観光レビューからパーソナライズされたアスペクトベースの意見要約を作成するためのソリューションの必要性と提案を議論する。
読者に、興味のある長さや特定の側面など、要約のいくつかの属性を決定し、制御させます。
具体的には、TripAdvisorに投稿された観光レビューからコヒーレントな側面を抽出するための教師なしアプローチを採っている。
論文 参考訳(メタデータ) (2020-06-08T15:03:38Z) - 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)
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。