在检索增强摘要中考虑长度多样性
计算与语言
2025-03-13 v1 人工智能
摘要
本研究专门探讨了在长度约束条件下示例摘要长度的影响，从而研究了检索增强摘要，这是以前的工作未涵盖的。我们提出了一种长度感知的多样性最大边际相关性（Diverse Length-aware Maximal Marginal Relevance, DL-MMR）算法，以更好地控制摘要长度。该算法在检索增强摘要中将查询相关性与多样的目标长度相结合。与以前使用 MMR 需要详尽的示例间相关性比较的方法不同，DL-MMR 还考虑了示例的目标长度，并避免了示例之间的相互比较，从而在构建示例池时降低了计算成本并节省了内存。实验结果表明，与原始 MMR 算法相比，考虑长度多样性的 DL-MMR 是有效的。DL-MMR 还展示了在保持相同信息量水平的同时，节省内存达 781,513 倍和降低计算成本达 500,092 倍的有效性。
引用
@article{arxiv.2503.09249,
title = {Considering Length Diversity in Retrieval-Augmented Summarization},
author = {Juseon-Do and Jaesung Hwang and Jingun Kwon and Hidetaka Kamigaito and Manabu Okumura},
journal= {arXiv preprint arXiv:2503.09249},
year = {2025}
}
备注
12 pages, accepted to NAACL 2025 Findings