基于信念级聚合的争议性摘要忠实生成
计算与语言
2026-01-09 v1
摘要
观点摘要和多文档摘要通常涉及真正相互冲突的观点，然而许多现有方法，特别是基于LLM的系统，会隐式地平滑争议并过度代表多数意见。这限制了在观点密集场景下生成摘要的忠实性。我们提出了一种感知争议的合成流水线，将信念级聚合与语言生成分离。文档首先被表示为结构化信念集，并使用基于距离的信念合并算子进行聚合，该算子显式地对冲突进行建模。然后，仅使用大语言模型将聚合后的信念实现为自然语言摘要。我们在多个模型系列和规模上评估了该方法，并将其与在生成过程中执行显式聚合的方法进行了比较。结果表明，虽然足够大的模型在生成时处理聚合时可以匹配信念级聚合的性能，但这种行为在不同架构或容量下并不稳定。相比之下，信念级聚合结合简单提示，能够在不同模型上持续产生强大的、感知争议的性能，同时保持流畅且有依据的摘要。
引用
@article{arxiv.2601.04889,
title = {Faithful Summarisation under Disagreement via Belief-Level Aggregation},
author = {Favour Yahdii Aghaebe and Tanefa Apekey and Elizabeth Williams and Nafise Sadat Moosavi},
journal= {arXiv preprint arXiv:2601.04889},
year = {2026}
}