提升客户反馈抽取式摘要的事实一致性
计算与语言
2021-07-01 v1 机器学习
摘要
电子商务商店收集客户反馈，以使卖家了解客户关切并提升客户下单体验。由于客户反馈常含冗余信息，可生成简洁摘要以帮助卖家更好地理解导致客户不满的问题。先前最先进的抽取式文本摘要模型在根据客户反馈生成摘要时犯两类主要事实错误：错误实体检测（WED）与不正确产品缺陷描述（IPD）。本工作中，我们引入一组方法以增强客户反馈抽取式摘要的事实一致性。我们用人工损坏的摘要扩充训练数据，并将其作为目标摘要的对应项。我们在训练目标中加入对比损失项，使模型学会避免特定事实错误。评估结果表明，BART 与 T5 的 WED 与 IPD 错误大部分得到缓解。此外，我们的方法不依赖于摘要模型的结构，因此可推广至任意抽取式摘要系统。
引用
@article{arxiv.2106.16188,
title = {Improving Factual Consistency of Abstractive Summarization on Customer Feedback},
author = {Yang Liu and Yifei Sun and Vincent Gao},
journal= {arXiv preprint arXiv:2106.16188},
year = {2021}
}