大多數(shù)以前的 seq2seq 摘要系統(tǒng)純粹依靠源文本來生成摘要，這往往并不穩(wěn)定。

本文將回顧一項針對該問題進行改進的工作 ——ACL 論文?Retrieve,?Rerank?and?Rewrite:?Soft?Template Based Neural Summarization。受傳統(tǒng)基于模板的摘要方法的啟發(fā)，這項研究提出利用已有的摘要作為軟模板（soft template）來指導(dǎo) seq2seq 模型。

具體而言，首先使用一個 IR 平臺來檢索適當(dāng)?shù)恼鳛楹蜻x模板（candidate template）。然后擴展 seq2seq 框架，共同進行模板重新排序（reranking）和模板感知摘要生成 (rewriting，重寫)。

實驗表明，在信息量方面，該方法明顯優(yōu)于當(dāng)時的先進方法，甚至軟模板本身也具有很強的競爭力。此外，外部高質(zhì)量摘要的導(dǎo)入，提高了生成摘要的穩(wěn)定性和可讀性。

1、此前方法的局限性

網(wǎng)絡(luò)信息的指數(shù)增長要求開發(fā)有效的自動摘要系統(tǒng)。其中的一個任務(wù)包括抽象句子摘要（sentence summarization），即生成給定句子的較短版本，同時試圖保留其原始含義，可以用作設(shè)計或提煉吸引人的標(biāo)題等。

自 2016 年來，seq2seq 模型受到研究界的廣泛關(guān)注，seq2seq 屬于 encoder-decoder 結(jié)構(gòu)的一種。而 encoder-decoder 結(jié)構(gòu)，基本思想就是利用兩個 RNN，一個 RNN 作為 encoder，另一個 RNN 作為 decoder。encoder 負(fù)責(zé)將輸入序列壓縮成指定長度的向量，而 decoder 則負(fù)責(zé)根據(jù)語義向量生成指定的序列。

大多數(shù)以前的 seq2seq 模型純粹依賴源文本來生成摘要。然而，正如許多研究報告，seq2seq 模型的性能隨著生成長度的增加而迅速下降。實驗還表明，seq2seq 模型有時傾向于 “失控”。例如，3% 的摘要包含少于 3 個單詞，而有 4 個摘要重復(fù)一個單詞甚至 99 次。這些結(jié)果在很大程度上降低了所生成摘要的信息量和可讀性。此外，seq2seq 模型通常專注于按順序復(fù)制源詞，而沒有任何實際的 “摘要”。

因此，基于源句的自由生成算法（free generation）對于 seq2seq 模型是不夠的。

基于模板的摘要（template-based summarization）是一種傳統(tǒng)的抽象摘要方法。通常，模板是一個不完整的句子，可以使用手動定義的規(guī)則來填充輸入文本。

例如，總結(jié)股票市場行情的一個簡明模板是:[地區(qū)] 股票 [開 / 收盤價][數(shù)字] 百分比 [低 / 高]。由于模板是由人編寫的，因此生成的摘要通常是流暢的和信息豐富的。然而，模板的構(gòu)建是非常耗時的，并且需要大量的領(lǐng)域知識。此外，不可能為不同領(lǐng)域的摘要開發(fā)所有模板。

2、Re3Sum 摘要系統(tǒng)

受基于檢索的對話系統(tǒng)的啟發(fā)，這項研究假設(shè)，相似句子的摘要可以提供一個參考點來指導(dǎo)輸入的句子摘要過程，這些現(xiàn)有的摘要被稱為軟模板，因為不需要實際的規(guī)則來從它們構(gòu)建新的摘要。

研究提出將 seq2seq 與基于模板的摘要方法相結(jié)合，基于這種方法開發(fā)的摘要系統(tǒng)稱為 Re3Sum，它由三個模塊組成：檢索，重新排序和重寫。

團隊利用一個廣泛使用的信息檢索平臺從訓(xùn)練語料庫中找到候選的軟模板。然后擴展 seq2seq 模型，共同學(xué)習(xí)模板顯著性測量 (rerank) 和最終的摘要生成 (Rewrite)。采用遞歸神經(jīng)網(wǎng)絡(luò) (RNN) 編碼器將輸入語句和每個候選模板轉(zhuǎn)換為隱藏狀態(tài)。在重新排序中，則根據(jù)候選模板與輸入句子的隱含狀態(tài)相關(guān)性來測量其信息含量。將預(yù)測信息量最高的候選模板作為實際的軟模板，重寫時，根據(jù)句子和模板的隱藏狀態(tài)生成摘要。

Gigaword 數(shù)據(jù)集上廣泛的實驗表明，在信息量方面，Re3Sum 模型明顯優(yōu)于目前最先進的 seq2seq 模型，甚至軟模板本身也表現(xiàn)出較高的競爭力。此外，導(dǎo)入高質(zhì)量的外部摘要提高了生成摘要的穩(wěn)定性和可讀性。

具體而言，Re3Sum 摘要系統(tǒng)由三個模塊組成：Retrieve、Rerank 和 Rewrite。給定輸入句子 x，檢索模塊從訓(xùn)練語料庫中篩選候選軟模板 C = {ri}。對于驗證和測試，認(rèn)為候選模板具有最高顯著性預(yù)測（highest predicted saliency）的特點。對于訓(xùn)練，選擇 C 中具有最大真實顯著性分?jǐn)?shù)（actual saliency score）的軟模板，它能加速收斂，顯示了實驗中沒有明顯的副作用。

方法流程圖

然后，通過一個共享的編碼器共同進行重排和重寫。具體來說，句子 x 和軟模板 r 都通過 RNN 編碼器轉(zhuǎn)換為隱藏狀態(tài)。在 Rerank 模塊中，根據(jù) r 的隱藏狀態(tài)與 x 的相關(guān)性來衡量 r 的顯著性，從候選模板中挑選出最適合的軟模板。在 Rewrite 模塊中，RNN 解碼器將 x 和 r 的隱藏狀態(tài)組合起來，依靠源句子（source sentence）和軟模板生成摘要 y。

2.1 檢索

該模塊的目的是從訓(xùn)練語料庫中找出候選模板。假設(shè)相似的句子應(yīng)該有相似的總結(jié)句型。因此，給定一個句子 x，在語料庫中找出它的類比，并選擇它們的摘要作為候選模板。由于數(shù)據(jù)集的大小相當(dāng)大 (超過 3M)，利用廣泛使用的信息檢索 (IR) 系統(tǒng) lucene 來高效地索引和搜索。保持 lucene 的默認(rèn)設(shè)置來構(gòu)建 IR 系統(tǒng)。對于每個輸入句子，選擇前 30 個搜索結(jié)果作為候選模板。

2.2 共同重新排序和重寫

圖 2 共同重排和重寫

為了進行模板感知的 seq2seq 生成 (重寫)，將源句 x 和軟模板 r 編碼為隱藏狀態(tài)是必要的步驟。考慮到基于隱藏狀態(tài)的匹配網(wǎng)絡(luò)已經(jīng)顯示出很強的測量兩篇文本相關(guān)性的能力，建議通過一個共享的編碼步驟共同進行重新排序和重寫。具體使用雙向遞歸神經(jīng)網(wǎng)絡(luò) (BiRNN) 編碼器讀取 x 和 r。以句子 x 為例，它的前向 RNN 在時間戳 i 時的隱藏狀態(tài)可以被表示為

BiRNN 由前向 RNN 和后向 RNN 組成。假設(shè)相對應(yīng)的輸出為和，其中索引 “?1” 表示最后一個元素。那么，一個單詞的復(fù)合隱藏狀態(tài)就是兩種 RNN 表示的拼接，例如。源句的完整表示為。由于軟模板 r 也可以看作是一個可讀的簡潔句子，所以使用相同的 BiRNN 編碼器將其轉(zhuǎn)換為隱藏狀態(tài)。

2.2.1 重排

檢索時，根據(jù)相應(yīng)索引句子與輸入句子之間的文本相似性對候選模板進行排序。然而，對于摘要任務(wù)，期望軟模板 r 盡可能地像實際的總結(jié) y?。這里使用廣泛使用的摘要評價指標(biāo) ROUGE 來測量實際顯著性的 s*(r,y*)。利用 x 和 r 的隱藏狀態(tài)來預(yù)測模板的顯著性 s。具體來說，將 BiRNN 的輸出作為句子或模板的表示:

接著，使用雙線性網(wǎng)絡(luò)來預(yù)測輸入句子模板的顯著性。

其中 Ws 和 bs 是雙線性網(wǎng)絡(luò)的參數(shù)，加入 sigmoid 激活函數(shù)，使 s 的范圍與實際顯著性 s?一致。

2.2.2 重寫

Rerank 模塊選擇的軟模板 r 已經(jīng)經(jīng)過 ROUGE 評估，但是 r 通常包含很多沒有出現(xiàn)在源文本中的命名實體，因此很難確保軟模板對于輸入句子是可靠的。因此，利用 seq2seq 模型強大的重寫能力來生成更可靠和信息更豐富的摘要。具體來說，由于系統(tǒng)的輸入既包括句子也包括軟模板，所以使用了 concatenation 函數(shù)來組合句子和模板的隱藏狀態(tài):

將合并后的隱藏狀態(tài)輸入到當(dāng)前的注意力 RNN 解碼器，在 t 位置生成解碼隱藏狀態(tài):

Yt-1 是前面輸出的摘要字。最后，引入了一個 softmax 層來預(yù)測當(dāng)前的摘要詞:

其中，Wo 是一個參數(shù)矩陣。

2.3 學(xué)習(xí)

系統(tǒng)中有兩種類型的成本。對于重新排序，期望預(yù)測的顯著性 s (r,x) 接近實際的顯著性 s?(r,y?)。因此使用 s 和 s?之間的交叉熵 (CE) 作為損失函數(shù):

其中 θ 代表模型參數(shù)。對于重寫，學(xué)習(xí)的目標(biāo)是最大化實際總結(jié) y?的估計概率。采用常見的負(fù)對數(shù)似然 (NLL) 作為損失函數(shù):

為了充分利用雙方的監(jiān)督，將上述兩種成本合并為最終損失函數(shù):

使用小批量隨機梯度下降 (SGD) 來調(diào)整模型參數(shù)。批量大小為 64。為了增強泛化，對 RNN 層引入 dropout ，其概率 p = 0.3。初始學(xué)習(xí)率為 1，如果在驗證集上的 generation loss 沒有減少，則衰減 50%。

3、具體實驗結(jié)果

3.1 數(shù)據(jù)集

研究采用 Gigaword 數(shù)據(jù)集進行實驗。該語料庫是將新聞文章的第一句和標(biāo)題作為摘要進行配對，并運用啟發(fā)式規(guī)則生成的。所采用的框架為 OpenNMT。

3.2 評價指標(biāo)

采用 ROUGE 作為評價標(biāo)準(zhǔn)，實驗結(jié)果如下圖，表明 Re3Sum 相對于其他方法，性能優(yōu)異。

研究還從各個方面衡量生成的摘要的語言質(zhì)量，其結(jié)果如下圖：

其中各 Item 含義如下：

（1）LEN_DIF：生成的摘要與實際摘要之間長度差的絕對值。用平均值 ± 標(biāo)準(zhǔn)差來說明這個項目。平均值部分反映可讀性和信息量，而標(biāo)準(zhǔn)差則與穩(wěn)定性有關(guān)。

（2）LESS_3：生成的摘要的數(shù)量，它包含少于三個標(biāo)記。這些極其簡短的摘要通常難以閱讀。

（3）COPY：從源句中復(fù)制的摘要 (沒有停止詞) 的比例。大的復(fù)制率表明摘要系統(tǒng)更注重壓縮而不是必需的抽象。

（4）NEW_NE：沒有出現(xiàn)在源句子或?qū)嶋H摘要中的命名實體的數(shù)量。直觀地說，在摘要中出現(xiàn)新的命名實體很可能會帶來語義上的變化。使用 Stanford CoreNLP 來識別命名實體。

從 “LEN_DIF” 和 “LESS_3” 行可以看出，Re3Sum 的性能幾乎與軟模板的性能相同。軟模板確實很好地指導(dǎo)了摘要的生成。與 Re3Sum 相比，在 OpenNMT 中 LEN_DIF 的標(biāo)準(zhǔn)差是其 0.7 倍，說明 OpenNMT 的工作非常不穩(wěn)定。此外，OpenNMT 生成了 53 個極短的摘要，嚴(yán)重降低了可讀性。同時，實際摘要的復(fù)制率為 36%。因此，在 OpenNMT 中，復(fù)制機制的權(quán)重嚴(yán)重超標(biāo)。模型被鼓勵根據(jù)人類編寫的軟模板生成，這相對減少了對源句子的復(fù)制。最后一行 “NEW_NE”，表示軟模板中出現(xiàn)了許多新的命名實體，這使得它們與源語句非常不一致。相比之下，Re3Sum 中的這個指數(shù)與 OpenNMT 的比較接近。它突出了該 seq2seq 框架的重寫能力。

3.3 軟模板的作用

最后，研究軟模板如何影響的模型。在開始時，團隊將不同類型的軟模板（上圖的 Type）輸入 Re3Sum 的重寫模塊。

所引入的軟模板的類型解釋如下：

（1）Random：從訓(xùn)練語料庫中隨機選擇的摘要

（2）First：Retrieve 模塊給出的排名最高的候選模板。

（3）Max：在 30 個候選模板中，實際 ROUGE 分?jǐn)?shù)最高的模板

（4）Optimal: 現(xiàn)有的訓(xùn)練語料庫中 ROUGE 得分最高的摘要

（5）Rerank：在 30 個候選模板中，預(yù)測 ROUGE 得分最高的模板。這是實際采用的軟模板。

實驗表明，提供的模板質(zhì)量越高，ROUGE 得分越高。有趣的是，盡管隨機模板的 ROUGE-2 分?jǐn)?shù)為零，仍然可以用隨機模板生成可接受的摘要。

Re3Sum 似乎可以自動判斷軟模板是否值得信任，忽略那些嚴(yán)重不相關(guān)的。因此，與重新排序模型的聯(lián)合學(xué)習(xí)在這里起著至關(guān)重要的作用。

4 、結(jié)論

該研究提出引入軟模板作為附加輸入來指導(dǎo) seq2seq 摘要，使用流行的 IR 平臺 Lucene 檢索適當(dāng)?shù)默F(xiàn)有摘要作為候選軟模板，然后擴展 seq2seq 框架，共同進行模板重排和模板感知的摘要生成。實驗表明，該模型能夠生成信息量大、可讀性強且穩(wěn)定的摘要。此外，模型在代際多樣性方面顯示了良好的前景。

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機器學(xué)習(xí)在線手冊深度學(xué)習(xí)筆記專輯《統(tǒng)計學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯 本站qq群704220115，加入微信群請掃碼：

總結(jié)

以上是生活随笔為你收集整理的【NLP】巧借“他山之石”，生成信息量大、可读性强且稳定的摘要的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。