通过选择信息性评论学习观点摘要器

传统上，观点摘要采用无监督、弱监督和少样本学习技术来处理。在本工作中，我们收集了一个大型数据集，包含与超过 31,000 种产品的用户评论配对的摘要，从而实现了监督训练。然而，每种产品的评论数量很大（平均 320 条），使得摘要生成——尤其是训练摘要器——变得不切实际。此外，许多评论的内容并未反映在人工撰写的摘要中，因此，在随机评论子集上训练的摘要器会产生幻觉。为了应对这两个挑战，我们将该任务表述为联合学习选择信息性评论子集并总结这些子集中表达的观点。评论子集的选择被视为一个潜变量，由一个小而简单的选择器预测。然后将该子集输入到更强大的摘要器中。对于联合训练，我们使用摊分变分推断和策略梯度方法。我们的实验证明了选择信息性评论的重要性，从而提高了摘要质量并减少了幻觉。