論文の概要: Query-Focused Event Summarization: A Dataset and Benchmark

• arxiv url: http://arxiv.org/abs/2607.11166v1
• Date: Mon, 13 Jul 2026 07:02:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.360309
• Title: Query-Focused Event Summarization: A Dataset and Benchmark
• Title（参考訳）: Query-Focused Event Summarization:データセットとベンチマーク
• Abstract要約: セマンティック・コーパス(Thematic corpus)は、セマンティック・コヒーレントな文書の集合であり、共有セマンティック・イベントの異なる側面をまとめて記述する。 本稿では,8つのテーマイベント,16,684のドキュメント,104のクエリを含むQFESumデータセットを構築し,QFES(Query-Focused Event Summarization)タスクを提案する。 QFESum実験の結果、RATとSHCは一貫してベースラインを上回り、QFESの有効性を示した。
• 参考スコア（独自算出の注目度）: 5.408715293537859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A thematic corpus is a collection of semantically coherent documents that collectively describe different aspects of a shared thematic event. Such a corpus typically contains hundreds or even thousands of documents. While users' interests in a thematic event often span multiple dimensions, Query-Focused Summarization (QFS) aims to generate summaries tailored to users' queries. However, existing QFS datasets lack event-oriented summarization, and most QFS methods struggle with large-scale corpora. To address these challenges, we propose the Query-Focused Event Summarization (QFES) task and construct the QFESum dataset, which contains 8 thematic events, 16,684 documents, and 104 queries. Furthermore, we introduce a two-stage QFES framework consisting of Query-Focused Retrieval with Adaptive Thresholding (RAT) and Query-Focused Summarization based on Hierarchical Clustering (SHC). Experimental results on QFESum show that RAT and SHC consistently outperform the baselines, demonstrating their effectiveness for QFES. The dataset and code are publicly available at https://github.com/sarcasm-hcy02/QFES-QFESum.
• Abstract（参考訳）: セマンティック・コーパス(Thematic corpus)は、セマンティック・コヒーレントな文書の集合であり、共有セマンティック・イベントの異なる側面をまとめて記述する。 このようなコーパスは典型的には何百、何千もの文書を含んでいる。 テーマイベントに対するユーザの関心は、複数の次元にまたがることが多いが、Query-Focused Summarization (QFS)は、ユーザのクエリに合わせた要約を生成することを目的としている。 しかし、既存のQFSデータセットにはイベント指向の要約がなく、ほとんどのQFSメソッドは大規模コーパスと競合する。 これらの課題に対処するため、クエリ焦点イベント要約(QFES)タスクを提案し、8つのテーマイベント、16,684ドキュメント、104クエリを含むQFESumデータセットを構築する。 さらに,アダプティブ・スレッショニング(RAT)と階層クラスタリング(SHC)に基づくクエリ・フォーカス・サマリゼーションを組み合わせた2段階のQFESフレームワークを提案する。 QFESum実験の結果、RATとSHCは一貫してベースラインを上回り、QFESの有効性を示した。 データセットとコードはhttps://github.com/sarcasm-hcy02/QFES-QFESumで公開されている。

関連論文リスト

• Generating Query-Focused Summarization Datasets from Query-Free Summarization Datasets [3.9103337761169943]
  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。
  論文  参考訳（メタデータ） (2026-05-06T19:25:34Z)
• PeerQA: A Scientific Question Answering Dataset from Peer Reviews [51.95579001315713]
  実世界の科学的、文書レベルの質問回答データセットであるPeerQAを提示する。 データセットには208の学術論文から579のQAペアが含まれており、MLとNLPが多数を占めている。 収集したデータセットを詳細に分析し、3つのタスクのベースラインシステムを確立する実験を行う。
  論文  参考訳（メタデータ） (2025-02-19T12:24:46Z)
• Beyond Relevant Documents: A Knowledge-Intensive Approach for Query-Focused Summarization using Large Language Models [27.90653125902507]
  本稿では,知識集約型タスク設定として,クエリ中心の要約を再構成する知識集約型アプローチを提案する。 検索モジュールは、大規模知識コーパスから潜在的に関連のある文書を効率的に検索する。 要約コントローラは、強力な大言語モデル(LLM)ベースの要約器を注意深く調整されたプロンプトとシームレスに統合する。
  論文  参考訳（メタデータ） (2024-08-19T18:54:20Z)
• 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)
• Improving Query-Focused Meeting Summarization with Query-Relevant Knowledge [71.14873115781366]
  本稿では,その課題に対処するため,知識認識要約器(KAS)と呼ばれる知識強化2段階のフレームワークを提案する。 最初の段階では、クエリ関連セグメント抽出を改善するために知識認識スコアを導入します。 第2段階では,クエリ関連知識を要約生成に取り入れる。
  論文  参考訳（メタデータ） (2023-09-05T10:26:02Z)
• 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)
• Query-Guided Networks for Few-shot Fine-grained Classification and Person Search [93.80556485668731]
  微粒な分類や人物検索は、個別のタスクとして現れ、文学はそれらを別々に扱ってきた。 両タスクに適用可能な新しい統合クエリガイドネットワーク(QGN)を提案する。 QGNは、最近の数ショットのきめ細かいデータセットを改善し、CUB上の他のテクニックを大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2022-09-21T10:25:32Z)
• Tackling Query-Focused Summarization as A Knowledge-Intensive Task: A Pilot Study [24.453344448245726]
  我々は、クエリ中心の要約(QFS)タスクを、関連するドキュメントにアクセスすることなく、知識集約(KI)タスクとして取り組んだ。 既存のQFSデータセットを適用して、新しいデータセット(KI-QFS)を構築する。 このデータセットでは、クエリに応答するためには、知識コーパスからの文書の検索が必要である。
  論文  参考訳（メタデータ） (2021-12-14T16:49:47Z)
• 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。