面向文献综述表格的意图感知模式生成与精炼
计算与语言
2025-10-08 v2 机器学习
摘要
学术文献数量的不断增长使得研究人员对文档集合进行组织、比较与对照变得至关重要。大语言模型（Large Language Models, LLMs）可以通过生成模式来支持这一过程，这些模式定义了用于比较论文的共享维度。然而，模式生成的进展缓慢，原因在于：(i) 基于参考的评估中的模糊性，以及 (ii) 缺乏编辑/精炼方法。我们的工作是首个同时解决这两个问题的研究。首先，我们提出一种利用合成意图增强无标注表格语料库的方法，并将其应用于创建一个数据集，用于研究基于给定信息需求的模式生成，从而降低模糊性。利用该数据集，我们展示了融入表格意图如何显著提升重建参考模式的基线性能。我们首先全面基准测试了几种单次模式生成方法，包括提示 LLM 工作流与微调模型，结果表明较小的开权重模型可通过微调与最先进的提示 LLM 相竞争。接着，我们提出了几种基于 LLM 的模式精炼技术，并表明这些技术可以进一步提升这些方法生成的模式。
引用
@article{arxiv.2507.19521,
title = {Intent-Aware Schema Generation And Refinement For Literature Review Tables},
author = {Vishakh Padmakumar and Joseph Chee Chang and Kyle Lo and Doug Downey and Aakanksha Naik},
journal= {arXiv preprint arXiv:2507.19521},
year = {2025}
}
备注
To Appear at EMNLP Findings 2025