CARPAS：面向大型语言模型摘要的内容感知提供方面细化

基于方面的摘要因其能够生成更细粒度且符合用户需求的摘要而引起广泛关注。虽然大多数现有方法假设输入为一组预定义方面，但实际场景常面临这些给定方面可能不完整、不相关或完全缺失于文档中的挑战。用户经常希望系统能够根据实际内容动态细化或筛选提供的方面。在本文中，我们提出了这一新颖任务设置，称为内容感知方面细化摘要（CARPAS），旨在在对摘要进行上下文化之前动态调整提供的方面。我们构建了三个新数据集以支持 pilot 实验，并通过在该任务中使用四种代表性提示策略的 LLM，我们发现 LLM 倾向于预测过于全面的方面集合，这常导致摘要过长且偏离主题。基于此观察，我们提出了一个初步子任务来预测相关方面的数量，并证明预测的数量可作为有效指导，减轻 LLM 的推理难度，使其能够聚焦于最相关的方面。我们的大量实验表明，所提出的方法在所有数据集上均显著改善了性能。此外，我们的深入分析揭示了 LLM 在请求方面数量与其自身估计值不同时遵从性，为在此类实际应用中部署 LLM 建立了关键洞见。