論文の概要: SumRecom: A Personalized Summarization Approach by Learning from Users' Feedback
- arxiv url: http://arxiv.org/abs/2408.07294v1
- Date: Fri, 2 Aug 2024 22:33:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 03:35:49.377835
- Title: SumRecom: A Personalized Summarization Approach by Learning from Users' Feedback
- Title（参考訳）: SumRecom:ユーザのフィードバックから学ぶパーソナライズされた要約アプローチ
- Authors: Samira Ghodratnama, Mehrdad Zakershahrak,
- Abstract要約: 本稿では,要約における実質的かつ困難な問題,すなわち特定のユーザに対して要約を推奨する解決法を提案する。
提案したアプローチはSumRecomと呼ばれ、人間をループに巻き込み、参照要約を必要とせず、パーソナライズ、インタラクション、ユーザの興味を学習する3つの側面に焦点を当てている。
- 参考スコア（独自算出の注目度）: 0.6629765271909505
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing multi-document summarization approaches produce a uniform summary for all users without considering individuals' interests, which is highly impractical. Making a user-specific summary is a challenging task as it requires: i) acquiring relevant information about a user; ii) aggregating and integrating the information into a user-model; and iii) utilizing the provided information in making the personalized summary. Therefore, in this paper, we propose a solution to a substantial and challenging problem in summarization, i.e., recommending a summary for a specific user. The proposed approach, called SumRecom, brings the human into the loop and focuses on three aspects: personalization, interaction, and learning user's interest without the need for reference summaries. SumRecom has two steps: i) The user preference extractor to capture users' inclination in choosing essential concepts, and ii) The summarizer to discover the user's best-fitted summary based on the given feedback. Various automatic and human evaluations on the benchmark dataset demonstrate the supremacy SumRecom in generating user-specific summaries. Document summarization and Interactive summarization and Personalized summarization and Reinforcement learning.
- Abstract（参考訳）: 既存の文書要約アプローチは、個人の興味を考慮せずに、すべてのユーザに対して一様要約を生成するが、これは非常に現実的ではない。
ユーザ固有の要約を作ることは、要求される課題である。
一 利用者に関する関連情報を取得すること。
二 情報をユーザモデルに集約して統合すること。
三 パーソナライズした要約を作成する際に提供された情報を利用すること。
そこで本稿では,要約における実質的かつ困難な問題の解決,すなわち,特定のユーザに対して要約を推奨する手法を提案する。
提案したアプローチはSumRecomと呼ばれ、人間をループに巻き込み、参照要約を必要とせず、パーソナライズ、インタラクション、ユーザの興味を学習する3つの側面に焦点を当てている。
SumRecomには2つのステップがある。
一 本質的な概念を選択する際の利用者の傾きを捉えようとする利用者選好抽出装置
二 利用者の最も適した要約を所定のフィードバックに基づいて発見する要約者。
ベンチマークデータセット上でのさまざまな自動的および人為的評価は、ユーザ固有の要約を生成する上で、SumRecomの優位性を示す。
文書要約と対話的要約とパーソナライズされた要約と強化学習
関連論文リスト
- UserSumBench: A Benchmark Framework for Evaluating User Summarization Approaches [25.133460380551327]
大規模言語モデル(LLM)は、大量のユーザアクティビティデータからユーザ要約を生成する際、顕著な能力を示している。
これらの要約は、好みや興味などの重要なユーザー情報を取り込み、パーソナライズ・アプリケーションには有用である。
しかし, 新たな要約手法の開発は, ゼロ・トラストラベルの欠如, ユーザ・サマリー固有の主観性, 人的評価などによって妨げられている。
論文 参考訳（メタデータ） (2024-08-30T01:56:57Z) - 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) - QFMTS: Generating Query-Focused Summaries over Multi-Table Inputs [63.98556480088152]
表要約は、情報を簡潔で分かりやすいテキスト要約に凝縮するための重要な課題である。
本稿では,クエリ中心のマルチテーブル要約を導入することで,これらの制約に対処する新しい手法を提案する。
提案手法は,テーブルシリアライズモジュール,要約コントローラ,および大規模言語モデルからなり,ユーザの情報要求に合わせたクエリ依存のテーブル要約を生成する。
論文 参考訳（メタデータ） (2024-05-08T15:05:55Z) - SummHelper: Collaborative Human-Computer Summarization [18.59681132630319]
SummHelperは、人間と機械のコラボレーションを促進するために設計された2相要約アシスタントである。
最初のフェーズでは、潜在的なコンテンツを推薦し、ユーザーが追加のセレクションを受け入れ、修正し、導入することができる。
その後のフェーズであるコンテンツ統合では、SummHelperがこれらの選択からコヒーレントな要約を生成し、ユーザは要約とソーステキストの間のビジュアルマッピングを使用して洗練することができる。
論文 参考訳（メタデータ） (2023-08-16T13:39:06Z) - 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) - Human-in-the-loop Abstractive Dialogue Summarization [61.4108097664697]
我々は、異なるレベルの人間のフィードバックをトレーニングプロセスに組み込むことを提案する。
これにより、モデルをガイドして、人間が要約に用いている振る舞いを捉えることができます。
論文 参考訳（メタデータ） (2022-12-19T19:11:27Z) - EntSUM: A Data Set for Entity-Centric Summarization [27.845014142019917]
制御可能な要約は、ユーザが指定した側面や好みを考慮に入れた要約を提供することを目的としている。
本稿では、制御可能な要約のための人間アノテーション付きデータセットsetSUMを紹介し、制御の側面として名前付きエンティティに焦点を当てる。
論文 参考訳（メタデータ） (2022-04-05T13:45:54Z) - AnswerSumm: A Manually-Curated Dataset and Pipeline for Answer
Summarization [73.91543616777064]
Stack OverflowやYahoo!のようなコミュニティ質問回答(CQA)フォーラムには、幅広いコミュニティベースの質問に対する回答の豊富なリソースが含まれている。
回答の要約の1つのゴールは、回答の視点の範囲を反映した要約を作成することである。
本研究は,専門言語学者による解答要約のための4,631個のCQAスレッドからなる新しいデータセットを導入する。
論文 参考訳（メタデータ） (2021-11-11T21:48:02Z) - iFacetSum: Coreference-based Interactive Faceted Summarization for
Multi-Document Exploration [63.272359227081836]
iFacetSumは、インタラクティブな要約と顔検索を統合している。
微粒なファセットは、クロスドキュメントのコア参照パイプラインに基づいて自動的に生成される。
論文 参考訳（メタデータ） (2021-09-23T20:01:11Z) - Adaptive Summaries: A Personalized Concept-based Summarization Approach
by Learning from Users' Feedback [0.0]
本稿では,アダプティブ・サマリー(Adaptive Summaries)と呼ばれるインタラクティブな概念に基づく要約モデルを提案する。
本システムは,反復ループでフィードバックを与えることで,システムと対話しながら,ユーザの提供した情報から徐々に学習する。
生成したサマリーでユーザ好みのコンテンツを最大化することで、ユーザの好みに基づいた高品質なサマリー作成を支援する。
論文 参考訳（メタデータ） (2020-12-24T18:27:50Z) - 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)
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。