論文の概要: Rationale-based Opinion Summarization

• arxiv url: http://arxiv.org/abs/2404.00217v1
• Date: Sat, 30 Mar 2024 02:22:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 06:46:13.630362
• Title: Rationale-based Opinion Summarization
• Title（参考訳）: Rationale-based Opinion Summarization
• Authors: Haoyuan Li, Snigdha Chaturvedi,
• Abstract要約: 本稿では,レビューを要約する新たなパラダイム,理性に基づく意見要約を提案する。 関係性、特異性、人気度、多様性の4つの望ましい特性を定義します。 適切な合理性を抽出するために、関係性、特異性、人気度、多様性の4つの望ましい特性を定義した。
• 参考スコア（独自算出の注目度）: 23.39553692130953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Opinion summarization aims to generate concise summaries that present popular opinions of a large group of reviews. However, these summaries can be too generic and lack supporting details. To address these issues, we propose a new paradigm for summarizing reviews, rationale-based opinion summarization. Rationale-based opinion summaries output the representative opinions as well as one or more corresponding rationales. To extract good rationales, we define four desirable properties: relatedness, specificity, popularity, and diversity and present a Gibbs-sampling-based method to extract rationales. Overall, we propose RATION, an unsupervised extractive system that has two components: an Opinion Extractor (to extract representative opinions) and Rationales Extractor (to extract corresponding rationales). We conduct automatic and human evaluations to show that rationales extracted by RATION have the proposed properties and its summaries are more useful than conventional summaries. The implementation of our work is available at https://github.com/leehaoyuan/RATION.
• Abstract（参考訳）: オピニオン要約は、大規模なレビューの一般的な意見を示す簡潔な要約を生成することを目的としている。 しかし、これらの要約はあまりにも一般的であり、サポートの詳細が欠けている。 これらの課題に対処するために、レビューを要約する新しいパラダイム、合理的な意見の要約を提案する。 Rationaleベースの意見要約は、代表的意見と1つ以上の対応する論理を出力する。 有理数抽出には, 関連性, 特異性, 人気度, 多様性の4つの望ましい特性を定義し, 有理数抽出のためのギブスサンプリング方式を提案する。 全体として,オピニオン・エクストラクタ(代表的意見の抽出)とラショナル・エクストラクタ(対応する有理性の抽出)の2つの構成要素を有する非教師なし抽出システムであるationを提案する。 提案手法により抽出された有理性は, 従来の要約よりも有用であることを示すために, 自動的, 人的評価を行う。 私たちの作業の実装はhttps://github.com/leehaoyuan/RATIONで公開されています。

関連論文リスト

• Hierarchical Indexing for Retrieval-Augmented Opinion Summarization [60.5923941324953]
  本稿では,抽出アプローチの帰属性と拡張性と,大規模言語モデル(LLM)の一貫性と拡散性を組み合わせた,教師なし抽象的意見要約手法を提案する。 我々の方法であるHIROは、意味的に整理された離散的な階層を通して文を経路にマッピングするインデックス構造を学習する。 推測時にインデックスを投入し、入力レビューから人気意見を含む文群を識別し、検索する。
  論文  参考訳（メタデータ） (2024-03-01T10:38:07Z)
• 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)
• AugSumm: towards generalizable speech summarization using synthetic labels from large language model [61.73741195292997]
  抽象音声要約(SSUM)は、音声から人間に似た要約を生成することを目的としている。 従来のSSUMモデルは、主に、人間による注釈付き決定論的要約(英語版)を用いて訓練され、評価されている。 AugSummは,人間のアノテータが拡張要約を生成するためのプロキシとして,大規模言語モデル(LLM)を利用する手法である。
  論文  参考訳（メタデータ） (2024-01-10T18:39:46Z)
• Automatically Evaluating Opinion Prevalence in Opinion Summarization [0.9971537447334835]
  本稿では,要約が示す意見の正当性をテストするための自動尺度を提案する。 本稿では,要約文の事実整合性を評価するための既存手法について考察する。 本研究は, 著者による要約では, ランダムに選択した抽出結果よりも, わずかに優れた評価率しか得られていないことを示す。
  論文  参考訳（メタデータ） (2023-07-26T17:13:00Z)
• 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)
• EASE: Extractive-Abstractive Summarization with Explanations [18.046254486733186]
  情報ボトルネック原理に基づく説明可能な要約システムを提案する。 人間が長い文書をまとめるために2段階の枠組みを使用するという以前の研究に触発されて、私たちのフレームワークは最初に説明として事前に定義された証拠の量を抽出します。 生成した要約の質を著しく犠牲にすることなく、我々のフレームワークからの説明は単純なベースラインよりも適切であることを示す。
  論文  参考訳（メタデータ） (2021-05-14T17:45:06Z)
• 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)
• 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)
• At Which Level Should We Extract? An Empirical Analysis on Extractive Document Summarization [110.54963847339775]
  本研究は,全文を抽出する際,不必要な問題や冗長性が存在することを示す。 選挙区解析木に基づくサブセグメント単位の抽出を提案する。
  論文  参考訳（メタデータ） (2020-04-06T13:35:10Z)

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。