Aspect-oriented Consumer Health Answer Summarization

要約

コミュニティ質問回答 (CQA) フォーラムは、人々が情報、特に医療ニーズに関連する情報を探す方法に革命をもたらし、一般の人々の集合知を信頼します。
ただし、1 つのクエリに対して複数の回答が返される可能性があるため、特定の健康上の懸念に関連する重要な情報を把握することが困難になります。
通常、CQA フォーラムでは、各クエリの代表的な概要として、投票数の多い 1 つの回答が取り上げられます。
ただし、単一の回答では、他の回答で頻繁に提供される代替ソリューションやその他の情報が見落とされます。
私たちの研究は、この制限に対処するために、健康に関する回答を側面に基づいて要約することに焦点を当てています。
提案、情報、個人的な経験、質問などのさまざまな側面で回答を要約すると、プラットフォームの使いやすさが向上します。
私たちは、多段階のアノテーション ガイドラインを形式化し、側面に基づいて人間が書いた健康に関する回答の要約を含む独自のデータセットを提供します。
私たちは、いくつかの最先端モデルのタスク固有の微調整に基づいて、このデータセットを使用して、自動化された多面的な回答要約パイプラインを構築します。
パイプラインは質問の類似性を利用して関連する回答文を取得し、その後それらを適切なアスペクト タイプに分類します。
これに続いて、いくつかの最近の抽象的な要約モデルを採用して、アスペクトベースの要約を生成します。
最後に、人間による包括的な分析を紹介します。その結果、関連するコンテンツと幅広いソリューションを捉えるという点で、私たちの要約が上位にランクされていることがわかりました。

要約(オリジナル)

Community Question-Answering (CQA) forums have revolutionized how people seek information, especially those related to their healthcare needs, placing their trust in the collective wisdom of the public. However, there can be several answers in response to a single query, which makes it hard to grasp the key information related to the specific health concern. Typically, CQA forums feature a single top-voted answer as a representative summary for each query. However, a single answer overlooks the alternative solutions and other information frequently offered in other responses. Our research focuses on aspect-based summarization of health answers to address this limitation. Summarization of responses under different aspects such as suggestions, information, personal experiences, and questions can enhance the usability of the platforms. We formalize a multi-stage annotation guideline and contribute a unique dataset comprising aspect-based human-written health answer summaries. We build an automated multi-faceted answer summarization pipeline with this dataset based on task-specific fine-tuning of several state-of-the-art models. The pipeline leverages question similarity to retrieve relevant answer sentences, subsequently classifying them into the appropriate aspect type. Following this, we employ several recent abstractive summarization models to generate aspect-based summaries. Finally, we present a comprehensive human analysis and find that our summaries rank high in capturing relevant content and a wide range of solutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google