学习通过分数排名来控制摘要

摘要研究的最新进展侧重于通过联合优化这些维度来提高完整性、简洁性和 忠实性 等多个标准的摘要质量。然而，这些努力在很大程度上忽视了根据个人标准控制摘要生成的挑战，特别是在存在其固有的权衡的情况下。例如，增强简洁性可能会损害完整性，反之亦然。在这项工作中，我们通过提出一种损失函数来解决这一差距，该损失函数将模型输出与细粒度的、基于模型的评估分数（例如，来自 FineSurE）对齐，从而提高摘要质量和特定维度的控制。我们的方法提高了摘要的整体质量，同时保持选择性地优先考虑一项标准的能力。对三个预训练模型（LLaMA、Qwen 和 Mistral）的实验表明，我们的方法实现了与最先进的摘要器相当的性能，同时独特地提供了对各个质量维度的强大可控性。