结合层次变分自编码器与大语言模型实现社交媒体中具有临床意义的时间线摘要
计算与语言
2024-02-19 v2 人工智能
摘要
我们引入了一种混合式抽象摘要方法，该方法结合了层次变分自编码器（VAE）与大语言模型（LLM，LlaMA-2），从社交媒体用户时间线中生成适用于心理健康监测的、具有临床意义的摘要。这些摘要结合了两种不同的叙事视角：通过向 LLM 输入专门的临床提示，生成对临床医生有用的第三人称临床见解；重要的是，通过一种新颖的层次变分自编码器 TH-VAE，生成对用户时间线具有时间敏感性的第一人称抽象摘要。我们通过与专家摘要进行自动评估以及与临床专家进行人工评估来评估生成的摘要，结果表明，TH-VAE 生成的时间线摘要在事实性和逻辑连贯性上更优，富含临床效用，并且在捕捉随时间变化方面优于仅使用 LLM 的方法。
引用
@article{arxiv.2401.16240,
title = {Combining Hierachical VAEs with LLMs for clinically meaningful timeline summarisation in social media},
author = {Jiayu Song and Jenny Chim and Adam Tsakalidis and Julia Ive and Dana Atzil-Slonim and Maria Liakata},
journal= {arXiv preprint arXiv:2401.16240},
year = {2024}
}