MODABS: Multi-Objective Learning for Dynamic Aspect-Based Summarization

要約

オンライン コンテンツの急速な普及により、効果的な要約方法が必要になりますが、その中でも動的なアスペクトベースの要約が際立っています。
既知の側面の固定セットを前提とする従来の対応物とは異なり、このアプローチは入力テキストのさまざまな側面に適応します。
このタスクのために Longformer-Encoder-Decoder を採用した新しい多目的学習フレームワークを導入します。
このフレームワークは、アスペクト番号の予測を最適化し、各アスペクトについて生成されたサマリーと参照サマリー間の差異を最小限に抑え、アスペクト固有のサマリー間の相違度を最大化します。
広範な実験により、私たちの手法が 3 つの多様なデータセットでベースラインを大幅に上回ることが示されました。これは主に、単一アスペクトの要約品質を犠牲にすることなく、生成されたアスペクト数と参照アスペクト数を効果的に調整したためです。

要約(オリジナル)

The rapid proliferation of online content necessitates effective summarization methods, among which dynamic aspect-based summarization stands out. Unlike its traditional counterpart, which assumes a fixed set of known aspects, this approach adapts to the varied aspects of the input text. We introduce a novel multi-objective learning framework employing a Longformer-Encoder-Decoder for this task. The framework optimizes aspect number prediction, minimizes disparity between generated and reference summaries for each aspect, and maximizes dissimilarity across aspect-specific summaries. Extensive experiments show our method significantly outperforms baselines on three diverse datasets, largely due to the effective alignment of generated and reference aspect counts without sacrificing single-aspect summarization quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google