结合最先进模型与最大边际相关性的少样本与零样本多文档摘要
计算与语言
2022-11-22 v1
摘要
在自然语言处理中，多文档摘要 (MDS) 相较于单文档摘要 (SDS) 给研究者带来了更多挑战。这些挑战包括增大的搜索空间以及包含冗余信息的更大可能性。尽管深度学习方法的发展催生了若干能够进行摘要的先进语言模型，但专门针对MDS问题的训练数据种类仍相对有限。因此，分别被称为少样本或零样本应用、几乎不需要或不需要预训练的MDS方法，可能成为当前摘要工具集的有益补充。为探索一种可能途径，我们设计了一种策略，使用最大边际相关性 (MMR) 结合最先进模型的输出，重点关注查询相关性而非文档多样性。我们的基于MMR的方法在少样本和零样本MDS应用的某些方面显示出优于当前最先进结果，同时通过所有可用指标保持了最先进水平的输出。
引用
@article{arxiv.2211.10808,
title = {Combining State-of-the-Art Models with Maximal Marginal Relevance for Few-Shot and Zero-Shot Multi-Document Summarization},
author = {David Adams and Gandharv Suri and Yllias Chali},
journal= {arXiv preprint arXiv:2211.10808},
year = {2022}
}