公平摘要：在抽取式摘要中平衡质量与多样性
计算与语言
2025-03-19 v5 人工智能
摘要
用户生成内容的多文档摘要中的公平性仍然是自然语言处理（NLP）中的关键挑战。现有摘要方法往往无法确保不同社会群体的公平代表性，导致输出偏见。本文提出了两种新颖的公平抽取式摘要方法：基于聚类的 FairExtract，以及利用带有公平约束的 GPT-3.5-turbo 的 FairGPT。我们使用包含白人、西班牙裔和非裔美式方言推文的 Divsumm 摘要数据集评估这些方法，并与相关基线进行比较。使用包括 SUPERT、BLANC、SummaQA、BARTScore 和 UniEval 在内的全面摘要质量指标集，以及公平性指标 F，结果表明 FairExtract 和 FairGPT 在保持有竞争力的摘要质量的同时实现了更优的公平性。此外，我们引入了复合指标（如 SUPERT+F、BLANC+F），将质量和公平性整合到单一评估框架中，为理解这些目标之间的权衡提供了更细致的视角。我们的代码已在线公开。
引用
@article{arxiv.2411.07521,
title = {Fair Summarization: Bridging Quality and Diversity in Extractive Summaries},
author = {Sina Bagheri Nezhad and Sayan Bandyapadhyay and Ameeta Agrawal},
journal= {arXiv preprint arXiv:2411.07521},
year = {2025}
}
备注
Accepted at AFLME@NeurIPS 2024 (non-archival) & C3NLP@NAACL 2025 (publication)