Presentations are not always linear! GNN meets LLM for Document-to-Presentation Transformation with Attribution

自动从长文本生成演示文稿是一个具有挑战性和有用的问题。与平面摘要不同，演示文稿需要具有更好的非线性叙述，即幻灯片的内容可以来自给定文档的不同和非连续部分。然而，很难将这种非线性内容映射到幻灯片中，并确保内容忠实于文档。LLM容易出现幻觉，并且随着输入文档的长度，性能会下降。因此，我们提出了一种新颖的基于图形的解决方案，其中我们从输入文档中学习图形，并使用图形神经网络和LLM的组合来生成带有每个幻灯片内容归属的演示文稿。我们进行了彻底的实验，以展示我们的方法相比于直接使用LLM来完成此任务的优点。

自动生成演示文稿是一个具有挑战性和实用性的问题，需要解决非线性映射的内容到幻灯片的问题。

该论文提出了一种基于图形的解决方案，通过学习输入文档中的图形，并结合图形神经网络和LLM生成演示文稿，并为每个幻灯片分配内容。

实验结果表明，与直接使用LLMs相比，该方法具有更好的性能。该论文还介绍了使用的数据集和实验设计，并提出了未来的研究方向。

与该论文相关的研究包括：《Neural Text Generation in Stories Using Entity Representations as Context》、《Deep Reinforcement Learning for Dialogue Generation》等。