STRUM-LLM：带归因的结构化对比摘要
计算与语言
2024-04-01 v1 人工智能
信息检索
机器学习
摘要
用户经常在两个选项（A 对 B）之间进行决策时感到困难，因为这通常需要跨多个网页进行耗时的研究。我们提出了 STRUM-LLM，通过生成带归因的、结构化的且有用的对比摘要来突出两个选项之间的关键差异，从而解决这一挑战。STRUM-LLM 识别出有用的对比：即两个选项存在显著差异且最有可能影响用户决策的具体属性。我们的技术是领域无关的，不需要任何人工标注的数据或固定的属性列表作为监督。STRUM-LLM 将所有提取内容连同文本证据归因回输入源，并且其能处理的输入源长度没有限制。STRUM-LLM Distilled 的吞吐量比性能相当的模型高 100 倍，同时模型大小缩小 10 倍。在本文中，我们对我们的方法进行了广泛的评估，并为我们目前部署的系统规划了未来方向。
引用
@article{arxiv.2403.19710,
title = {STRUM-LLM: Attributed and Structured Contrastive Summarization},
author = {Beliz Gunel and James B. Wendt and Jing Xie and Yichao Zhou and Nguyen Vo and Zachary Fisher and Sandeep Tata},
journal= {arXiv preprint arXiv:2403.19710},
year = {2024}
}