HiCaM：面向长文本修改的层次-因果修改框架
计算与语言
2025-06-02 v1
摘要
大型语言模型（LLM）在各个领域取得了显著成功。然而，在处理长文本修改任务时，它们仍面临两个主要问题：（1）通过不当更改或总结无关内容而产生不期望的修改，以及（2）遗漏对隐式相关段落的必要修改，而这些段落对于保持文档连贯性至关重要。为了解决这些问题，我们提出了 HiCaM，一个通过层次摘要树和因果图进行操作的层次-因果修改框架。此外，为了评估 HiCaM，我们从各种基准中提取了一个多领域数据集，为评估其有效性提供了资源。在该数据集上的综合评估表明，相较于强大的 LLM 有显著改进，我们的方法实现了高达 79.50% 的胜率。这些结果突显了我们方法的全面性，表明在多个模型和领域上均有一致的性能提升。
引用
@article{arxiv.2505.24319,
title = {HiCaM: A Hierarchical-Causal Modification Framework for Long-Form Text Modification},
author = {Yuntao Shi and Yi Luo and Yeyun Gong and Chen Lin},
journal= {arXiv preprint arXiv:2505.24319},
year = {2025}
}