論文の概要: Incremental Summarization for Customer Support via Progressive Note-Taking and Agent Feedback
- arxiv url: http://arxiv.org/abs/2510.06677v1
- Date: Wed, 08 Oct 2025 06:05:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-09 16:41:20.324275
- Title: Incremental Summarization for Customer Support via Progressive Note-Taking and Agent Feedback
- Title（参考訳）: プログレッシブ・ノート・テイキングとエージェント・フィードバックによる顧客支援のためのインクリメンタル・サマリゼーション
- Authors: Yisha Wu, Cen, Zhao, Yuanpei Cao, Xiaoqing Su, Yashar Mehdad, Mindy Ji, Claire Na Cheng,
- Abstract要約: 本稿では,顧客支援エージェントを対象とした漸進的な要約システムを提案する。
会話中に簡潔な弾丸音をいつ生成するかをインテリジェントに決定する。
エージェントのコンテキストスイッチングの労力を削減し、冗長性をレビューする。
- 参考スコア（独自算出の注目度）: 8.282640908135717
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce an incremental summarization system for customer support agents that intelligently determines when to generate concise bullet notes during conversations, reducing agents' context-switching effort and redundant review. Our approach combines a fine-tuned Mixtral-8x7B model for continuous note generation with a DeBERTa-based classifier to filter trivial content. Agent edits refine the online notes generation and regularly inform offline model retraining, closing the agent edits feedback loop. Deployed in production, our system achieved a 3% reduction in case handling time compared to bulk summarization (with reductions of up to 9% in highly complex cases), alongside high agent satisfaction ratings from surveys. These results demonstrate that incremental summarization with continuous feedback effectively enhances summary quality and agent productivity at scale.
- Abstract（参考訳）: 本稿では,顧客支援エージェントに対する段階的な要約システムを紹介し,会話中に簡潔な弾丸音をいつ生成すべきかをインテリジェントに判断し,エージェントのコンテキスト変更の労力を削減し,冗長なレビューを行う。
提案手法は,連続音符生成のための微調整Mixtral-8x7BモデルとDeBERTaに基づく分類器を組み合わせて,自明なコンテンツをフィルタリングする。
エージェントはオンラインノートの生成を洗練し、オフラインモデルの再トレーニングを定期的に通知し、エージェントがフィードバックループを編集する。
また,本システムでは,バルク要約と比較した場合の処理時間を3%削減し(高複雑性症例では9%まで削減),高いエージェント満足度を調査で評価した。
これらの結果から,連続的なフィードバックによる漸進的な要約は,要約品質とエージェントの生産性を効果的に向上させることが示された。
関連論文リスト
- Learning to Summarize by Learning to Quiz: Adversarial Agentic Collaboration for Long Document Summarization [86.98098988779809]
SummQは長期文書要約のための新しい逆多重エージェントフレームワークである。
提案手法では,包括的な要約を作成し,評価するために協調作業を行う要約ジェネレータとレビュアーを用いる。
広範に使用されている3つの文書要約ベンチマーク上でSummQを評価する。
論文 参考訳（メタデータ） (2025-09-25T08:36:19Z) - Re-FRAME the Meeting Summarization SCOPE: Fact-Based Summarization and Personalization via Questions [9.381476258394175]
本稿では,要約をセマンティックエンリッチメントタスクとして再構成するモジュールパイプラインFRAMEを紹介する。
FRAMEは健全な事実を抽出し、それらを主題的に整理し、それらを抽象的な要約にまとめる。
要約をパーソナライズするために、コンテンツ選択の前に9つの質問に答えることにより、推論トレースをモデルに構築する、推論アウトルードプロトコルであるSCOPEを導入する。
論文 参考訳（メタデータ） (2025-09-19T11:58:17Z) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳（メタデータ） (2025-04-02T17:40:47Z) - SummIt: Iterative Text Summarization via ChatGPT [12.966825834765814]
本稿では,ChatGPTのような大規模言語モデルに基づく反復的なテキスト要約フレームワークSummItを提案する。
我々のフレームワークは、自己評価とフィードバックによって生成された要約を反復的に洗練することを可能にする。
また, 繰り返し改良の有効性を検証し, 過補正の潜在的な問題を特定するために, 人間の評価を行う。
論文 参考訳（メタデータ） (2023-05-24T07:40:06Z) - SNaC: Coherence Error Detection for Narrative Summarization [73.48220043216087]
SNaCは長文の微粒化アノテーションに根ざした物語コヒーレンス評価フレームワークである。
本稿では,生成した物語要約におけるコヒーレンスエラーの分類法を開発し,150冊の本や映画の脚本要約にまたがる6.6k文のスパンレベルアノテーションを収集する。
我々の研究は、最先端の要約モデルによって生成されるコヒーレンスエラーの最初の特徴と、群衆アノテータからコヒーレンス判断を引き出すためのプロトコルを提供する。
論文 参考訳（メタデータ） (2022-05-19T16:01:47Z) - Efficient Few-Shot Fine-Tuning for Opinion Summarization [83.76460801568092]
抽象的な要約モデルは、典型的には大量のジェネリックテキストで事前訓練され、数万から数十万の注釈付きサンプルで微調整される。
アダプタをベースとした数ショット法では,ドメイン内の知識を容易に保存できることを示す。
この自己教師型アダプタの事前トレーニングにより,AmazonとYelpのデータセット上の2.0および1.3ROUGE-Lポイントの要約品質が向上することを示す。
論文 参考訳（メタデータ） (2022-05-04T16:38:37Z)
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。