Fugu-MT 論文翻訳(概要): SUMMPILOT: Bridging Efficiency and Customization for Interactive Summarization System

論文の概要: SUMMPILOT: Bridging Efficiency and Customization for Interactive Summarization System

arxiv url: http://arxiv.org/abs/2601.08475v1
Date: Tue, 13 Jan 2026 12:07:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-14 18:27:19.182289
Title: SUMMPILOT: Bridging Efficiency and Customization for Interactive Summarization System
Title（参考訳）: SUMMPILOT:対話型要約システムにおけるブリッジ効率とカスタマイズ
Authors: JungMin Yun, Juhwan Choi, Kyohoon Jin, Soojin Jang, Jinhee Jang, YoungBin Kim,
Abstract要約: SummPilotはインタラクションベースのカスタマイズ可能な要約システムである。ユーザーはこのシステムを使って文書の内容を理解し、要約をパーソナライズすることができる。
参考スコア（独自算出の注目度）: 29.8435150919705
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This paper incorporates the efficiency of automatic summarization and addresses the challenge of generating personalized summaries tailored to individual users' interests and requirements. To tackle this challenge, we introduce SummPilot, an interaction-based customizable summarization system. SummPilot leverages a large language model to facilitate both automatic and interactive summarization. Users can engage with the system to understand document content and personalize summaries through interactive components such as semantic graphs, entity clustering, and explainable evaluation. Our demo and user studies demonstrate SummPilot's adaptability and usefulness for customizable summarization.
Abstract（参考訳）: 本稿では、自動要約の効率を取り入れ、個々のユーザの興味や要求に合わせてパーソナライズされた要約を生成するという課題に対処する。この課題に対処するために、インタラクションベースのカスタマイズ可能な要約システムであるSummPilotを紹介する。 SummPilotは、自動および対話的な要約を容易にするために、大きな言語モデルを活用する。ユーザは、セマンティックグラフやエンティティクラスタリング、説明可能な評価など、インタラクティブなコンポーネントを通じて、ドキュメントの内容を理解し、要約をパーソナライズするシステムに参加することができる。我々のデモとユーザスタディは、SummPilotの適応性と、カスタマイズ可能な要約のための有用性を実証した。

関連論文リスト

Rehearse With User: Personalized Opinion Summarization via Role-Playing based on Large Language Models [29.870187698924852]
大きな言語モデルは、長いテキストを含むパーソナライズされたタスクにおいて困難に直面します。モデルがユーザとして機能することで、モデルはユーザのパーソナライズされたニーズをよりよく理解できます。提案手法は,大規模モデル生成サマリーにおけるパーソナライズレベルを効果的に向上させることができる。
論文参考訳（メタデータ） (2025-03-01T11:05:01Z)
SumRecom: A Personalized Summarization Approach by Learning from Users' Feedback [0.6629765271909505]
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。
論文参考訳（メタデータ） (2024-08-02T22:33:59Z)
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)
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)
Summary-Oriented Vision Modeling for Multimodal Abstractive Summarization [63.320005222549646]
マルチモーダル抽象要約(MAS)は、マルチモーダルデータ(テキストとビジョン)から簡潔な要約を作成することを目的としている。本稿では,要約指向の視覚的特徴によって要約品質を改善することを提案する。中高、低低、ゼロリソースのシナリオをカバーする44言語の実験は、提案手法の有効性と優位性を検証する。
論文参考訳（メタデータ） (2022-12-15T09:05:26Z)
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)
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)
Controllable Abstractive Dialogue Summarization with Sketch Supervision [56.59357883827276]
本モデルは,最大50.79のROUGE-Lスコアを持つ最大対話要約コーパスSAMSumの最先端性能を実現する。
論文参考訳（メタデータ） (2021-05-28T19:05:36Z)
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)
Multi-Fact Correction in Abstractive Text Summarization [98.27031108197944]
Span-Factは、質問応答モデルから学んだ知識を活用して、スパン選択によるシステム生成サマリーの補正を行う2つの事実補正モデルのスイートである。我々のモデルは、ソースコードのセマンティック一貫性を確保するために、反復的または自動回帰的にエンティティを置き換えるために、シングルまたはマルチマスキング戦略を採用している。実験の結果,自動測定と人的評価の両面において,要約品質を犠牲にすることなく,システム生成要約の事実整合性を大幅に向上させることができた。
論文参考訳（メタデータ） (2020-10-06T02:51:02Z)

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。