重新界定会议总结范围：基于事实的总结和个性化通过问题

于红博

摘要: 使用大型语言模型（LLMs）进行会议摘要仍然容易出现错误，通常会产生幻觉、遗漏和不相关的输出。我们提出了FRAME，一个模块化的流水线，将摘要重新构建为语义丰富化任务。FRAME提取和评分显著事实，将它们按主题组织，并使用这些事实来丰富概述成为一个抽象摘要。为了个性化摘要，我们引入了SCOPE，一个通过回答九个问题建立推理跟踪的协议，在内容选择之前。为了评估，我们提出了P-MESA，一个多维、无参考评估框架，用于评估摘要是否适合目标读者。P-MESA可靠地识别错误实例，与人类注释获得的平衡准确度达到>= 89%，与人类严重性评分高度一致（r >= 0.70）。在QMSum和FAME上，FRAME将幻觉和遗漏减少了2个5分（用MESA测量），而SCOPE在知识契合度和目标对齐方面优于仅有提示的基线。我们的研究结果主张重新思考摘要以提高控制、忠实度和个性化。

更新时间: 2025-09-19 11:58:17

领域: cs.CL,cs.AI

下载: http://arxiv.org/abs/2509.15901v1