学习对查询聚焦式摘要的显著内容进行排序
计算与语言
2024-11-04 v1
摘要
本研究探讨了将学习排序（LTR）与查询聚焦式摘要（QFS）相结合，通过内容优先级排序来增强摘要相关性的潜力。我们使用一个与摘要解码器共享的次级解码器，在段落级别执行LTR任务。与现有方法相比，我们的模型在QMSum基准（所有指标）上表现更优，并在SQuALITY基准（2个指标）上持平（以Rouge和BertScore衡量），同时训练开销更低。具体而言，在QMSum基准上，我们提出的系统取得了改进，特别是在Rouge-L（+0.42）和BertScore（+0.34）上，表明理解和相关性得到增强。虽然在SQuALITY基准的Rouge-1和Rouge-2分数上面临轻微挑战，但该模型在Rouge-L（+1.47）上显著领先，突显了其生成连贯摘要的能力。人工评估强调了我们的方法在生成摘要的相关性和忠实度方面的有效性，且未牺牲流畅性。更深入的分析从定性角度揭示了我们的模型在处理宽泛查询时优于现有方法，而非特定查询。我们进一步对模型进行了错误分析，指出了面临的挑战，并为该领域的未来研究提出了潜在方向。
引用
@article{arxiv.2411.00324,
title = {Learning to Rank Salient Content for Query-focused Summarization},
author = {Sajad Sotudeh and Nazli Goharian},
journal= {arXiv preprint arXiv:2411.00324},
year = {2024}
}
备注
Long paper accepted at EMNLP 2024 (Main)