评估关键短语预测模型的均匀性
计算与语言
2026-02-16 v1
摘要
在多个 NLP 和信息检索应用中，具有用途的关键短语要么从文本中提取，要么由生成模型预测。与关键短语提取方法不同，关键短语生成模型可以预测文本中未出现的关键短语（称为“缺失关键短语”）。这一能力意味着，关键短语生成模型可以将文档关联到文本中未明确提及的概念。直观地看，这表明对于处理相同主题的两个文档，关键短语生成模型更可能在其索引中均匀，即对两个文档预测相同的关键短语， regardless of these keyphrases appear in their respective text or not；而关键短语提取模型则无法做到。然而，关键短语预测模型的均匀性未被当前基准测试覆盖。本文中，我们引入一种评估关键短语预测模型均匀性的方法，并研究缺失关键短语生成能力是否实际上有助于模型更均匀。我们惊讶地发现，关键短语提取方法与生成模型并不 inferior，生成缺失关键短语的能力实际上会对均匀性产生负面影响。我们的数据、代码和提示都可用在 huggingface 和 github 上。
引用
@article{arxiv.2602.12989,
title = {Evaluating the Homogeneity of Keyphrase Prediction Models},
author = {Maël Houbre and Florian Boudin and Beatrice Daille},
journal= {arXiv preprint arXiv:2602.12989},
year = {2026}
}
备注
Accepted to LREC 2026