QontSum：基于显著内容对比的查询聚焦摘要方法
计算与语言
2023-07-18 v1
摘要
查询聚焦摘要（QFS）是自然语言处理中一项具有挑战性的任务，旨在生成回答特定查询的摘要。更广义的生成式信息检索（Gen-IR）领域旨在通过生成式方法革新从海量文档语料库中提取信息，涵盖生成式文档检索（GDR）与基于证据的答案检索（GAR）。本文强调了 QFS 在基于证据的答案生成（GAR）中的作用，GAR 是 Gen-IR 的关键子领域，可生成与查询直接对应、基于相关文档且可读的答案。在本研究中，我们提出 QontSum，一种用于 QFS 的新方法，利用对比学习帮助模型关注输入文档中最相关的区域。我们在若干 QFS 基准数据集上评估了该方法，表明其优于现有最先进方法，或通过改进微调阶段而非依赖当前 SOTA 所关注的大规模预训练实验，以显著降低的计算成本达到相当性能。此外，我们进行了人工研究，发现所生成摘要对所给查询的相关性有所提升且未损害流畅性。我们进一步开展错误分析研究以理解模型的局限性，并提出未来研究方向。
引用
@article{arxiv.2307.07586,
title = {QontSum: On Contrasting Salient Content for Query-focused Summarization},
author = {Sajad Sotudeh and Nazli Goharian},
journal= {arXiv preprint arXiv:2307.07586},
year = {2023}
}
备注
9 pages, Long paper accepted at Gen-IR@SIGIR23