論文の概要: Prompted Aspect Key Point Analysis for Quantitative Review Summarization

• arxiv url: http://arxiv.org/abs/2407.14049v1
• Date: Fri, 19 Jul 2024 06:07:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 18:43:32.365383
• Title: Prompted Aspect Key Point Analysis for Quantitative Review Summarization
• Title（参考訳）: 定量的要約のための突発的アスペクトキーポイント解析
• Authors: An Quang Tang, Xiuzhen Zhang, Minh Ngoc Dinh, Erik Cambria,
• Abstract要約: キーポイント分析は、キーポイント(KP)を簡潔なテキスト要約として提供し、その頻度を測定する量として定量化することを目的としている。 最近の抽象的アプローチでは、文に基づいてKPが生成され、しばしば重複し、幻覚的な意見を持つKPに繋がる。 本稿では,定量的な要約のためのPAKPA(Prompted Aspect Key Point Analysis)を提案する。
• 参考スコア（独自算出の注目度）: 27.691150599517364
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Key Point Analysis (KPA) aims for quantitative summarization that provides key points (KPs) as succinct textual summaries and quantities measuring their prevalence. KPA studies for arguments and reviews have been reported in the literature. A majority of KPA studies for reviews adopt supervised learning to extract short sentences as KPs before matching KPs to review comments for quantification of KP prevalence. Recent abstractive approaches still generate KPs based on sentences, often leading to KPs with overlapping and hallucinated opinions, and inaccurate quantification. In this paper, we propose Prompted Aspect Key Point Analysis (PAKPA) for quantitative review summarization. PAKPA employs aspect sentiment analysis and prompted in-context learning with Large Language Models (LLMs) to generate and quantify KPs grounded in aspects for business entities, which achieves faithful KPs with accurate quantification, and removes the need for large amounts of annotated data for supervised training. Experiments on the popular review dataset Yelp and the aspect-oriented review summarization dataset SPACE show that our framework achieves state-of-the-art performance. Source code and data are available at: https://github.com/antangrocket1312/PAKPA
• Abstract（参考訳）: キーポイント分析(KPA)は、キーポイント(KP)を簡潔なテキスト要約として提供し、その頻度を計測する定量化を目的としている。 議論とレビューのためのKPA研究が文献で報告されている。 レビューのためのKPA研究の大半は、KPの量化に関するコメントをレビューするためにKPと一致する前に、短い文章をKPとして抽出するために教師付き学習を採用する。 最近の抽象的アプローチでは、文に基づいてKPが生成され、しばしば重複して幻覚的な意見を持つKPが生成され、不正確な定量化が行われる。 本稿では,定量的な要約のためのPAKPA(Prompted Aspect Key Point Analysis)を提案する。 PAKPAはアスペクト感情分析を採用し、Large Language Models (LLMs) を用いてコンテキスト内学習を行い、ビジネスエンティティの側面に根ざしたKPを生成し定量化し、正確な定量化によって忠実なKPを実現し、教師付きトレーニングのための大量の注釈付きデータの必要性を取り除く。 人気レビューデータセットYelpとアスペクト指向レビュー要約データセットSPACEの実験は、我々のフレームワークが最先端のパフォーマンスを達成することを示す。 ソースコードとデータは、https://github.com/antangrocket1312/PAKPAで入手できる。

関連論文リスト

• Pre-Trained Language Models for Keyphrase Prediction: A Review [2.7869482272876622]
  キーフレーズ予測(KP)は、その内容を要約できる文書中のキーフレーズを特定するのに不可欠である。 最近の自然言語処理の進歩は、ディープラーニング技術を用いたより効率的なKPモデルを開発した。 本稿では,キーフレーズ予測のための事前学習言語モデル(PLM-KP)の話題を幅広く検討する。
  論文  参考訳（メタデータ） (2024-09-02T09:15:44Z)
• Query Performance Prediction using Relevance Judgments Generated by Large Language Models [53.97064615557883]
  自動生成関連判定(QPP-GenRE)を用いたQPPフレームワークを提案する。 QPP-GenREは、QPPを独立したサブタスクに分解し、ランクリスト内の各項目の関連性を所定のクエリに予測する。 これにより、生成した関連判断を擬似ラベルとして利用して、任意のIR評価尺度を予測することができる。
  論文  参考訳（メタデータ） (2024-04-01T09:33:05Z)
• Anchoring Path for Inductive Relation Prediction in Knowledge Graphs [69.81600732388182]
  APSTはAPとCPを統一されたSentence Transformerアーキテクチャの入力として扱う。 我々は3つの公開データセット上でAPSTを評価し、36のトランスダクティブ、インダクティブ、および数ショットの実験的設定のうち30の最先端(SOTA)性能を達成する。
  論文  参考訳（メタデータ） (2023-12-21T06:02:25Z)
• From Chaos to Clarity: Claim Normalization to Empower Fact-Checking [57.024192702939736]
  Claim Normalization(別名 ClaimNorm)は、複雑でノイズの多いソーシャルメディア投稿を、より単純で分かりやすい形式に分解することを目的としている。 本稿では,チェーン・オブ・ソートとクレーム・チェック・バシネス推定を利用した先駆的アプローチであるCACNを提案する。 実験により, CACNは様々な評価尺度において, いくつかの基準値を上回る性能を示した。
  論文  参考訳（メタデータ） (2023-10-22T16:07:06Z)
• Do You Hear The People Sing? Key Point Analysis via Iterative Clustering and Abstractive Summarisation [12.548947151123555]
  議論の要約は有望だが、現在未調査の分野である。 キーポイント分析の主な課題の1つは、高品質なキーポイント候補を見つけることである。 キーポイントの評価は 自動的に生成された要約が 役に立つことを保証するのに 不可欠です
  論文  参考訳（メタデータ） (2023-05-25T12:43:29Z)
• From Judgement's Premises Towards Key Points [1.648438955311779]
  キーポイント分析は、要約と分類を組み合わせたNLPにおける比較的新しいタスクである。 我々は、法的領域に焦点をあて、判断のテキストからKPを識別し抽出する手法を開発する。
  論文  参考訳（メタデータ） (2022-12-23T10:20:58Z)
• Object Localization under Single Coarse Point Supervision [107.46800858130658]
  本稿では,粗い点アノテーションを用いたPOL手法を提案する。 CPRは、ポイントバッグを構築し、セマンティック関連点を選択し、マルチインスタンス学習(MIL)を通してセマンティックセンターポイントを生成する。 このようにして、CPRは、粗い点監督の下で高性能オブジェクトローカライザのトレーニングを保証する、弱い制御された進化手順を定義する。
  論文  参考訳（メタデータ） (2022-03-17T14:14:11Z)
• Ranking Scientific Papers Using Preference Learning [48.78161994501516]
  我々はこれをピアレビューテキストとレビュアースコアに基づく論文ランキング問題とみなした。 ピアレビューに基づいて最終決定を行うための,新しい多面的総合評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-02T19:41:47Z)
• Every Bite Is an Experience: Key Point Analysis of Business Reviews [12.364867281334096]
  キーポイント分析(KPA)は、データの主点のテキスト的および定量的な要約を提供する要約フレームワークとして提案されている。 KPAの新規拡張により性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-06-12T12:22:12Z)
• Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
  アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。 次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
  論文  参考訳（メタデータ） (2020-10-13T21:33:24Z)

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。