論文の概要: Does This Summary Answer My Question? Modeling Query-Focused Summary Readers with Rational Speech Acts

• arxiv url: http://arxiv.org/abs/2411.06524v1
• Date: Sun, 10 Nov 2024 16:48:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:09:50.030636
• Title: Does This Summary Answer My Question? Modeling Query-Focused Summary Readers with Rational Speech Acts
• Title（参考訳）: 質問の要約は私の質問に答えるのか? : 合理的な音声行為による質問文の要約をモデル化する
• Authors: Cesare Spinoso-Di Piano, Jackie Chi Kit Cheung,
• Abstract要約: 我々は、人間コミュニケーションのモデルであるRational Speech Act(RSA)フレームワークを、読者が生成した要約に対する理解を明示的にモデル化するために適応する。 本稿では,要約に対する読者の理解に近似した回答再構築の目的について紹介する。
• 参考スコア（独自算出の注目度）: 19.010077275314668
• License:
• Abstract: Query-focused summarization (QFS) is the task of generating a summary in response to a user-written query. Despite its user-oriented nature, there has been limited work in QFS in explicitly considering a user's understanding of a generated summary, potentially causing QFS systems to underperform at inference time. In this paper, we adapt the Rational Speech Act (RSA) framework, a model of human communication, to explicitly model a reader's understanding of a query-focused summary and integrate it within the generation method of existing QFS systems. In particular, we introduce the answer reconstruction objective which approximates a reader's understanding of a summary by their ability to use it to reconstruct the answer to their initial query. Using this objective, we are able to re-rank candidate summaries generated by existing QFS systems and select summaries that better align with their corresponding query and reference summary. More generally, our study suggests that a simple and effective way of improving a language generation system designed for a user-centered task may be to explicitly incorporate its user requirements into the system's generation procedure.
• Abstract（参考訳）: クエリ中心の要約(QFS)は、ユーザが記述したクエリに応答して要約を生成するタスクである。 ユーザ指向の性質にもかかわらず、QFSではユーザが生成した要約に対する理解を明示的に考慮する作業が限られており、推論時にQFSシステムが過小評価される可能性がある。 本稿では,人間のコミュニケーションのモデルであるRational Speech Act(RSA)フレームワークを,クエリ中心の要約に対する読者の理解を明示的にモデル化し,既存のQFSシステムの生成方法に統合する。 特に,要約に対する読者の理解を,初期質問に対する回答の再構築に利用する能力によって近似する回答再構成の目的について紹介する。 この目的により、既存のQFSシステムによって生成された候補要約を再度ランク付けし、対応するクエリや参照要約とより整合した要約を選択することができる。 より一般的には、ユーザ中心タスク用に設計された言語生成システムを改善するためのシンプルで効果的な方法は、ユーザ要求をシステム生成手順に明示的に組み込むことである。

関連論文リスト

• IDEAL: Leveraging Infinite and Dynamic Characterizations of Large Language Models for Query-focused Summarization [59.06663981902496]
  クエリ中心の要約(QFS)は、特定の関心事に答え、より優れたユーザ制御とパーソナライゼーションを可能にする要約を作成することを目的としている。 本稿では,LLMを用いたQFSモデル,Longthy Document Summarization,およびクエリ-LLMアライメントの2つの重要な特徴について検討する。 これらのイノベーションは、QFS技術分野における幅広い応用とアクセシビリティの道を開いた。
  論文  参考訳（メタデータ） (2024-07-15T07:14:56Z)
• S-EQA: Tackling Situational Queries in Embodied Question Answering [48.43453390717167]
  本研究では,家庭環境における状況問合せ(S-EQA)による身体的質問回答の課題を提示し,解決する。 まず, LLMの出力を包み込み, ユニークなコンセンサス・クエリと対応するコンセンサス・オブジェクトのデータセットを作成する, プロンプト・ジェネレート・評価手法を提案する。 本稿では,VQA(Visual Question Answering)において生成したオブジェクトコンセンサスからフレーム化されたクエリを用いて,状況に応じた質問に対して直接回答する際の精度を15.31%改善したことを報告した。
  論文  参考訳（メタデータ） (2024-05-08T00:45:20Z)
• LMGQS: A Large-scale Dataset for Query-focused Summarization [77.6179359525065]
  我々は4つの一般的な要約ベンチマークを新しいQFSベンチマークデータセットであるLMGQSに変換する。 我々は最先端の要約モデルを用いてベースラインを確立する。 複数の既存のQFSベンチマークにおいて、最先端のゼロショットと教師付きパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-05-22T14:53:45Z)
• A Lightweight Constrained Generation Alternative for Query-focused Summarization [8.264410236351111]
  クエリ中心の要約(QFS)は、あるクエリの必要な情報を満たすドキュメントの要約を提供することを目的としている。 我々は,最近開発された制約付き世代モデルニューロロジカルデコーディング(NLD)を,現在のQFS方式の代替として活用することを提案する。 本稿では,2つの公開QFSコレクションに対するこのアプローチの有効性を,複雑性を著しく低減した最先端モデルとほぼ同等に示す。
  論文  参考訳（メタデータ） (2023-04-23T18:43:48Z)
• Text Summarization with Latent Queries [60.468323530248945]
  本稿では,LaQSumについて紹介する。LaQSumは,既存の問合せ形式と抽象的な要約のための文書から遅延クエリを学習する,最初の統一テキスト要約システムである。 本システムでは, 潜伏クエリモデルと条件付き言語モデルとを協調的に最適化し, ユーザがテスト時に任意のタイプのクエリをプラグイン・アンド・プレイできるようにする。 本システムでは,クエリタイプ,文書設定,ターゲットドメインの異なる要約ベンチマークにおいて,強力な比較システムの性能を強く向上させる。
  論文  参考訳（メタデータ） (2021-05-31T21:14:58Z)
• Improve Query Focused Abstractive Summarization by Incorporating Answer Relevance [43.820971952979875]
  本稿では,QFS-BARTモデルを提案する。QFS-BARTは,質問応答モデルによって与えられたソース文書の明示的な回答関連性を組み込んだモデルである。 我々のモデルは, 要約性能を大幅に向上させる, 事前学習された大規模モデルを利用することができる。 Debatepediaデータセットの実証結果は、提案したモデルが新しい最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2021-05-27T06:58:42Z)
• Abstractive Query Focused Summarization with Query-Free Resources [60.468323530248945]
  本稿では,汎用的な要約リソースのみを利用して抽象的なqfsシステムを構築する問題を考える。 本稿では,要約とクエリのための新しい統一表現からなるMasked ROUGE回帰フレームワークであるMargeを提案する。 最小限の監視から学習したにもかかわらず,遠隔管理環境において最先端の結果が得られた。
  論文  参考訳（メタデータ） (2020-12-29T14:39:35Z)
• Query Focused Multi-Document Summarization with Distant Supervision [88.39032981994535]
  既存の作業は、クエリとテキストセグメント間の関連性を推定する検索スタイルの手法に大きく依存している。 本稿では,クエリに関連するセグメントを推定するための個別モジュールを導入した粗大なモデリングフレームワークを提案する。 我々のフレームワークは、標準QFSベンチマークにおいて、強力な比較システムよりも優れていることを実証する。
  論文  参考訳（メタデータ） (2020-04-06T22:35:19Z)

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。