Polarity Calibration for Opinion Summarization

意见摘要是从各种主观信息（如产品评论或政治观点）中自动生成摘要。意见摘要的挑战在于呈现不同甚至相互矛盾的意见。我们对以前的摘要模型进行了分析，发现它们倾向于放大极性偏见，强调多数意见而忽略少数意见。为了解决这个问题并使摘要器表达意见的双方，我们引入了极性校准的概念，旨在将输出摘要的极性与输入文本的极性对齐。具体而言，我们开发了一种强化训练方法来进行极性校准。该方法将输出摘要和输入文本之间的极性距离作为奖励输入到摘要器中，并平衡极性校准与内容保留和语言自然性。我们在两种类型的意见摘要任务上评估了我们的极性校准模型（PoCa）：产品评论摘要和政治观点文章摘要。自动和人工评估表明，我们的方法可以缓解输出摘要和输入文本之间的极性不匹配，并保持内容语义和语言质量。

本文旨在解决意见总结中的极性偏差问题，即强调多数意见而忽略少数意见的情况。

本文提出了一种极性校准的方法，通过强化训练的方式，将输出摘要的极性与输入文本的极性相一致，同时保持内容语义和语言自然度。

本文的实验结果表明，极性校准方法可以缓解输出摘要与输入文本之间的极性不匹配，并保持内容语义和语言质量。本文使用了两种意见总结任务进行评估，并进行了自动和人工评估。

在相关研究方面，最近的一些研究包括基于深度学习的意见总结模型、基于强化学习的意见总结模型以及针对意见总结中的极性偏差问题的研究。例如，Yang等人的《Hierarchical Reinforcement Learning for Opinion Summarization with User-Item Subsessions》和Jin等人的《Improving Opinion Summarization by Addressing Polarity Bias》。