Anweisungsbasierte Dialogzusammenfassung mit Abfrageaggregationen

Konventionelle Methoden zur Zusammenfassung von Dialogen erzeugen Zusammenfassungen direkt und berücksichtigen nicht die spezifischen Interessen der Benutzer. Dies stellt Herausforderungen dar, wenn die Benutzer sich auf bestimmte Themen oder Aspekte konzentrieren. Mit dem Fortschritt von anweisungsbasiert feinjustierten Sprachmodellen führen wir Anweisungstuning für Dialoge ein, um das Leistungsspektrum von Modellen zur Dialogzusammenfassung zu erweitern. Um den Mangel an anweisungsorientierten Daten zur Dialogzusammenfassung zu überwinden, schlagen wir einen dreistufigen Ansatz vor, um hochwertige, abfragebasierte Zusammenfassungstripel zu synthetisieren. Dieser Prozess umfasst die Erstellung von zusammenfassungsorientierten Abfragen (summary-anchored query generation), die Filterung dieser Abfragen (query filtering) und die Erstellung abfragebasierter Zusammenfassungen (query-based summary generation). Durch das Training eines einheitlichen Modells namens InstructDS (Instructive Dialogue Summarization) auf drei Zusammenfassungsdatensätzen mit mehrzweckanweisenden Trippeln erweitern wir die Fähigkeiten von Modellen zur Dialogzusammenfassung. Wir evaluieren unsere Methode anhand von vier Datensätzen, einschließlich Dialogzusammenfassung und dialogbasierter Leseverständnisevaluation. Die experimentellen Ergebnisse zeigen, dass unser Ansatz den aktuellen Stand der Technik übertreffen kann und sogar bessere Leistungen als Modelle mit größerer Kapazität erzielt. Zudem bestätigen menschliche subjektive Bewertungen, dass unser Modell eine höhere Generalisierungsfähigkeit und Authentizität aufweist.