Hierarchical Indexing for Retrieval-Augmented Opinion Summarization

要約

我々は、抽出アプローチの帰属可能性とスケーラビリティを、大規模言語モデル（LLM）の一貫性と流暢性と組み合わせた、教師なしの抽象的な意見要約の方法を提案します。
私たちのメソッド HIRO は、意味的に組織された個別の階層を介して文をパスにマッピングするインデックス構造を学習します。
推論時にインデックスを作成し、それを使用して入力レビューからの一般的な意見を含む文のクラスターを特定して取得します。
次に、事前トレーニング済み LLM を使用して、これらの抽出された証拠クラスターに基づいた読みやすい概要を生成します。
私たちのアプローチはモジュール化されているため、各段階でその有効性を評価できます。
我々は、HIRO が以前の研究よりも意味論的に構造化されたエンコード空間を学習し、入力レビューの意見をより代表する要約を生成することを示します。
人間による評価では、HIRO がより一貫性があり、詳細で正確な要約を生成することが確認されています。

要約(オリジナル)

We propose a method for unsupervised abstractive opinion summarization, that combines the attributability and scalability of extractive approaches with the coherence and fluency of Large Language Models (LLMs). Our method, HIRO, learns an index structure that maps sentences to a path through a semantically organized discrete hierarchy. At inference time, we populate the index and use it to identify and retrieve clusters of sentences containing popular opinions from input reviews. Then, we use a pretrained LLM to generate a readable summary that is grounded in these extracted evidential clusters. The modularity of our approach allows us to evaluate its efficacy at each stage. We show that HIRO learns an encoding space that is more semantically structured than prior work, and generates summaries that are more representative of the opinions in the input reviews. Human evaluation confirms that HIRO generates significantly more coherent, detailed and accurate summaries.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google