面向定量 评论 汇总的 Prompted Aspect Key Point Analysis

Key Point Analysis (KPA) 旨在 提供 key points (KPs) 作为 succinct textual summaries 以及 衡量 其 prevalence 的 quantities。 KPA 研究 用于 arguments 和 reviews 已 被 report。 大多数 KPA 研究 用于 reviews 采用 supervised learning 从 提取 short sentences 作为 KPs 之前 matching KPs 至 review comments 用于 KP prevalence 的 量化。 recent abstractive 方法 仍 基于 sentences 生成 KPs， 常导致 KPs 有 overlapping 和 hallucinated opinions， 以及 不准确 的 量化。 本文 中，我们 提出 Prompted Aspect Key Point Analysis (PAKPA) 用于 定量 评论 汇总。 PAKPA 采用 aspect sentiment analysis 和 prompted in-context learning with Large Language Models (LLMs) 来 generate and quantify KPs， 基于 aspects 用于 business entities， 实现 faithful KPs 和 accurate 量化， 并 删除 需要 large amounts of 标注 数据进行 supervised training。 在 Yelp 和 aspect-oriented review summarization 数据集 SPACE 上进行 的 实验 显示，我们的 framework 实现 state-of-the-art performance。 Source code 和 data 可 在 https://github.com/antangrocket1312/PAKPA 获得。