論文の概要: Generating Query-Focused Summarization Datasets from Query-Free Summarization Datasets

• arxiv url: http://arxiv.org/abs/2605.05392v1
• Date: Wed, 06 May 2026 19:25:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.393293
• Title: Generating Query-Focused Summarization Datasets from Query-Free Summarization Datasets
• Title（参考訳）: 問合せなし要約データセットから問合せ付き要約データセットを生成する
• Abstract要約: 本稿では,クエリフリーデータセットからクエリを生成するエビデンスモデルを提案する。 また、異なる事前学習モデルと、最先端(SOTA)QFSモデルを用いて、要約タスクを実行する。
• 参考スコア（独自算出の注目度）: 3.9103337761169943
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large-scale datasets are widely used to perform summarization tasks, but they may not include queries alongside documents and summaries. In the search for suitable datasets for Query-Focused Summarization (QFS), we identify two research questions: Is it possible to automatically generate evidence-based query keywords from query-free datasets? Does evidence-based query generation support the QFS task? This paper proposes an evidence-based model to generate queries from query-free datasets. To evaluate our model intrinsically, we compare the similarity between the original queries and the system-generated queries of two QFS datasets. We also perform summarization tasks using different pre-trained models, as well as a state-of-the-art (SOTA) QFS model, to measure the extrinsic performance of our query generation approach. Experimental results indicate that summaries generated using evidence-based queries achieve competitive ROUGE scores compared to those generated from the original queries.
• Abstract（参考訳）: 大規模なデータセットは、要約タスクの実行に広く使用されているが、ドキュメントや要約と一緒にクエリを含めることはできない。 QFS(Query-Focused Summarization)に適したデータセットの探索では,2つの研究課題が明らかになった。 クエリフリーデータセットからエビデンスベースのクエリキーワードを自動的に生成することは可能か? 証拠に基づくクエリ生成はQFSタスクをサポートするか? 本稿では,クエリフリーデータセットからクエリを生成するエビデンスモデルを提案する。 本モデルを本質的に評価するために,元のクエリと2つのQFSデータセットのシステム生成クエリの類似性を比較した。 また、クエリ生成手法の非本質的な性能を測定するために、異なる事前学習モデル、および最先端(SOTA)QFSモデルを用いて要約タスクを実行する。 実験結果から,エビデンスベースの問合せを用いて生成した要約は,元の問合せから生成されたものと比較して,競合的なROUGEスコアが得られることがわかった。

関連論文リスト

• ORDER: Task-Conditioned Routing for Retrieval-Augmented Generation [3.6028767235872965]
  本稿では,クエリにインデックス付けと検索を併用する問合せ条件付きRAGフレームワークを提案する。 我々は,大規模かつ異種な歴史的アーカイブの枠組みを評価し,クエリのインデックス付けと検索の条件付けが,根本的ベースラインと最先端RAGシステムの両方を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-09-15T11:23:16Z)
• Database-Augmented Query Representation for Information Retrieval [71.41745087624528]
  データベース拡張クエリ表現(DAQu)と呼ばれる新しい検索フレームワークを提案する。 DAQuは、元のクエリを複数のテーブルにまたがるさまざまな(クエリ関連の)メタデータで拡張する。 我々はDAQuを多様な検索シナリオで検証し、全体の検索性能を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2024-06-23T05:02:21Z)
• 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)
• Self-Prompting Large Language Models for Zero-Shot Open-Domain QA [67.08732962244301]
  Open-Domain Question Answering (ODQA)は、背景文書を明示的に提供せずに質問に答えることを目的としている。 このタスクは、調整済みの検索リーダーモデルをトレーニングするデータがないゼロショット設定で顕著に困難になる。 本稿では,大規模言語モデルのパラメータに符号化された膨大な知識を明示的に活用するセルフプロンプトフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-16T18:23:43Z)
• 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)
• Data Augmentation for Abstractive Query-Focused Multi-Document Summarization [129.96147867496205]
  2つのQMDSトレーニングデータセットを提示し,2つのデータ拡張手法を用いて構築する。 これらの2つのデータセットは相補的な性質を持ち、すなわちQMDSCNNは実際のサマリを持つが、クエリはシミュレートされる。 組み合わせたデータセット上にエンドツーエンドのニューラルネットワークモデルを構築し、DUCデータセットに最新の転送結果をもたらします。
  論文  参考訳（メタデータ） (2021-03-02T16:57:01Z)
• 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)
• QBSUM: a Large-Scale Query-Based Document Summarization Dataset from Real-world Applications [20.507631900617817]
  提案するQBSUMは,中国語クエリベースの文書要約処理のための49,000以上のデータサンプルからなる高品質な大規模データセットである。 また,タスクに対する教師なしおよび教師なしの複数のソリューションを提案し,オフライン実験とオンラインA/Bテストの両方を通して,高速な推論と優れた性能を示す。
  論文  参考訳（メタデータ） (2020-10-27T07:30:04Z)
• 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。