Mit dem Aufkommen des World Wide Web (WWW) und dem Anstieg des Konsums digitaler Medien stehen heutzutage reichlich Informationen zu jedem Thema zur Verfügung. Heutzutage leiden Benutzer jedoch häufig unter einer Informationsüberflutung, die eine große Herausforderung für das Auffinden relevanter und wichtiger Informationen darstellt. Um diese Informationsüberflutung zu verringern und den Benutzern einen erheblichen Mehrwert zu bieten, sind automatische Methoden zur Informationsvorbereitung erforderlich. Solche Methoden müssen Benutzer unterstützen, indem sie wichtige Informationen erkennen und empfehlen und gleichzeitig redundante und irrelevante Informationen filtern. Sie müssen sicherstellen, dass die Benutzer nicht ertrinken, sondern von den vorbereiteten Informationen profitieren. Die Definition dessen, was relevant und wichtig ist, ist jedoch subjektiv und sehr spezifisch für den Informationsbedarf des Benutzers und die jeweilige Aufgabe. Daher muss eine Methode kontinuierlich aus dem Feedback ihrer Benutzer lernen. In dieser Arbeit schlagen wir neue Ansätze vor, um den Menschen auf den neuesten Stand zu bringen und Informationen interaktiv auf den drei Hauptforschungslinien vorzubereiten: Informationsaggregation, Verdichtung und Empfehlung.

Für mehrere gut untersuchte Aufgaben in der Verarbeitung natürlicher Sprache weisen wir auf die Einschränkungen bestehender Methoden hin und diskutieren, wie unser Ansatz die Lücke zur menschlichen Obergrenze erfolgreich schließen kann, indem er das Feedback der Benutzer berücksichtigt und sich an den Informationsbedarf des Benutzers anpasst. Wir legen besonderen Wert auf Anwendungen im digitalen Journalismus und stellen die neue Aufgabe der Live-Blog-Zusammenfassung vor. Wir zeigen, dass die Korpora, die wir für diese Aufgabe erstellen, im Vergleich zu den Standard-Zusammenfassungsdatensätzen, die die zuvor vorgeschlagenen nicht interaktiven Methoden vor neue Herausforderungen stellen, sehr heterogen sind.

Eine Möglichkeit, die Informationsüberflutung zu verringern, ist die Informationsaggregation. Wir konzentrieren uns auf die entsprechende Aufgabe der Zusammenfassung mehrerer Dokumente und argumentieren, dass zuvor vorgeschlagene Methoden in der realen Anwendung nur begrenzt nützlich sind, da sie das Ziel der Benutzer nicht berücksichtigen. Um diese Nachteile zu beheben, schlagen wir eine interaktive Zusammenfassungsschleife vor, um iterativ Zusammenfassungen mehrerer Dokumente basierend auf dem Feedback der Benutzer zu erstellen und zu verfeinern. Wir untersuchen Stichprobenstrategien, die auf aktivem maschinellem Lernen und gemeinsamer Optimierung basieren, um die Anzahl der Iterationen und die Anzahl der erforderlichen Benutzerfeedbacks zu reduzieren. Unser Ansatz verbessert die Qualität der Zusammenfassungen erheblich und erreicht eine Leistung nahe der menschlichen Obergrenze. Wir präsentieren eine Systemdemonstration zur Implementierung der interaktiven Zusammenfassungsschleife, untersuchen ihre Skalierbarkeit und heben ihre Anwendungsfälle bei der Untersuchung von Dokumentensammlungen und der Erstellung fokussierter Zusammenfassungen im Journalismus hervor.

Zur Informationskondensation untersuchen wir ein Textkomprimierungssetup. Wir befassen uns mit dem Problem neuronaler Modelle, die große Mengen an Trainingsdaten erfordern, und schlagen eine neue interaktive Textkomprimierungsmethode vor, um den Bedarf an umfangreichen kommentierten Daten zu verringern. Wir verwenden modernste Seq2Seq-Textkomprimierungsmethoden als Basismodelle und schlagen einen aktiven Lernaufbau mit mehreren Stichprobenstrategien vor, um minimale Trainingsdaten effizient zu nutzen. Wir stellen fest, dass unsere Methode die zum Trainieren erforderliche Datenmenge erheblich reduziert und sich gut an neue Datensätze und Domänen anpasst.

Wir konzentrieren uns schließlich auf Informationsempfehlungen und diskutieren die Notwendigkeit erklärbarer Modelle beim maschinellen Lernen. Wir schlagen ein neues gemeinsames Empfehlungssystem für die Vorhersagevorhersage und die Zusammenfassung von Bewertungen vor, das sowohl bei der Bewertung von Bewertungen als auch bei der Aufgabe der Zusammenfassung von Bewertungen wesentliche Verbesserungen gegenüber modernen Systemen zeigt. Indem wir diese Aufgabe gemeinsam auf der Grundlage von Multitasking-Lerntechniken lösen, erhalten wir außerdem Erklärungen für eine Bewertung, indem wir die generierte Bewertungszusammenfassung anzeigen, die auf der Grundlage der Aufmerksamkeit des Modells markiert ist, und ein Histogramm der Benutzerpräferenzen, die aus den Bewertungen der Benutzer gelernt wurden.

Wir schließen die Arbeit mit einer Zusammenfassung darüber ab, wie Human-in-the-Loop-Ansätze Informationsvorbereitungssysteme verbessern, und sehen den Einsatz interaktiver Methoden des maschinellen Lernens auch für andere Bereiche der Verarbeitung natürlicher Sprache vor.