Considering Length Diversity in Retrieval-Augmented Summarization

要約

この研究では、以前の作業でカバーされていない長さの制約の下での模範的な概要の長さの影響を具体的に調べることにより、検索された高級要約を調査します。
サマリーの長さをより適切に制御するために、多様な長さを認識した最大限界関連性（DL-MMR）アルゴリズムを提案します。
このアルゴリズムは、検索された要約におけるクエリの関連性と多様なターゲット長さを組み合わせます。
MMRを使用した徹底的な例示的な関連性の比較を必要とする以前の方法とは異なり、DL-MMRは模範的なターゲットの長さも考慮し、模範を互いに比較することを避け、それにより模範的なプールの構築中の計算コストを削減し、メモリを保存します。
実験結果は、元のMMRアルゴリズムと比較して、長さの多様性を考慮するDL-MMRの有効性を示しました。
DL-MMRはさらに、同じレベルの情報レベルを維持しながら、781,513倍のメモリ保存と500,092倍の計算コスト削減における有効性を示しました。

要約(オリジナル)

This study investigates retrieval-augmented summarization by specifically examining the impact of exemplar summary lengths under length constraints, not covered by previous work. We propose a Diverse Length-aware Maximal Marginal Relevance (DL-MMR) algorithm to better control summary lengths. This algorithm combines the query relevance with diverse target lengths in retrieval-augmented summarization. Unlike previous methods that necessitate exhaustive exemplar exemplar relevance comparisons using MMR, DL-MMR considers the exemplar target length as well and avoids comparing exemplars to each other, thereby reducing computational cost and conserving memory during the construction of an exemplar pool. Experimental results showed the effectiveness of DL-MMR, which considers length diversity, compared to the original MMR algorithm. DL-MMR additionally showed the effectiveness in memory saving of 781,513 times and computational cost reduction of 500,092 times, while maintaining the same level of informativeness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google