Multi-Review Fusion-in-Context

生成基于事实的文本，包括长篇问答和摘要等任务，需要进行内容选择和内容整合。由于端到端方法的不透明性，目前的方法很难进行控制和解释。因此，最近的研究提出了一种模块化方法，每个步骤都有单独的组件。具体而言，我们关注于第二个子任务，即在多文档环境下，给定预先选择的内容生成连贯的文本。具体而言，我们将“上下文融合”（FiC）形式化为一个独立的任务，其输入包括带有目标内容高亮部分的源文本。然后模型需要生成一个连贯的段落，其中包括所有目标信息，且仅包括目标信息。我们的工作包括在评论领域开发了一个策划数据集，包括1000个实例，以及用于评估高亮部分忠实度和覆盖范围的新型评估框架，其与人类判断具有很强的相关性。几个基线模型显示出有希望的结果，并提供有见地的分析。这项研究为进一步探索多文档环境下的模块化文本生成奠定了基础，为生成内容的质量和可靠性的潜在提高提供了可能。我们的基准测试FuseReviews，包括数据集、评估框架和指定的排行榜，可以在\url{https://fusereviews.github.io/}找到。

本论文试图解决多文档环境下生成连贯文本的问题，提出了一种分离式的生成模型，即Fusion-in-Context（FiC）任务。

FiC任务的输入包括带有高亮标记的源文本，模型需要生成包含所有目标信息的连贯段落。论文提出了一个包含1000个实例的数据集FuseReviews，并设计了一个新的评估框架来评估高亮的准确性和覆盖范围，多个基线模型表现良好。

本论文的亮点包括：提出了FiC任务，开发了一个新的数据集FuseReviews，设计了一个新的评估框架，多个基线模型表现良好。

最近在这个领域中，还有一些相关研究，例如： 1. A Modular Approach to Neural Text Generation 2. Content Selection in Multi-Source Neural Text Generation 3. Neural Text Generation with Unlikelihood Training