文本摘要(text summarization)任务:研究范式,重要模型,评估指标(持续更新ing...)

本文涉及的产品
模型训练 PAI-DLC,5000CU*H 3个月
交互式建模 PAI-DSW,5000CU*H 3个月
模型在线服务 PAI-EAS,A10/V100等 500元 1个月
简介: 本文是作者在学习文本摘要任务的过程中,根据学习资料总结逐步得到并整理为成文的相关内容。相关学习资料(包括论文、博文、视频等)都会以脚注等形式标明。有一些在一篇内会导致篇幅过长的内容会延伸到其他博文中撰写,但会在本文中提供超链接。本文将主要列举里程碑式的重要文本摘要论文。注意:除文首的表格外,本文所参考的论文,如本人已撰写对应的学习博文,则不直接引用原论文,而引用我撰写的博文。本文会长期更新。

1. 任务类型


1.1 生成式摘要(重写)和抽取式摘要(句子压缩任务)

1.1.1 生成式摘要abstractive summarization

本节内容参考了以下论文的文献综述部分:


序列生成(文本生成NLG)问题,一般使用seq2seq (S2S) 架构(encoder-decoder架构)。


sentence-fusion和重写(paraphrasing)


rephrasing and introducing new concepts/words(语出Friendly Topic Assistant for Transformer Based Abstractive Summarization)


基于结构的方法:


  • 基于树的方法:tree linearization
  • 基于模板的方法:

Generating single and multi-document summaries with gistexter

sArAmsha-A Kannada abstractive summarizer

  • 基于实体的方法
  • Lead and Body Phrase Method(lead指开头。总之是找一些重要短语然后做一些操作的方法,具体的其实我也没看懂,可以参考这篇博客:Towards Automatic Summarization. Part 2. Abstractive Methods. | by Sciforce | Sciforce | Medium)
  • Rule Based Method
  • 基于语义的方法


多模态语义模型

基于information item的方法

基于语义图的方法

常见问题及针对该问题提出的解决方案:


  1. 文本重复

PGN(Get to the point: Summarization with pointer-generator networks.)中提出的coverage机制就是用来解决这一问题的(虽然我觉得实验上好像文本重复问题还是非常严重)

  1. 事实不一致问题
  • 衡量原文与摘要的事实一致性:

The Factual Inconsistency Problem in Abstractive Text Summarization: A Survey

Assessing The Factual Accuracy of Generated Text

Multi-Fact Correction in Abstractive Text Summarization

Evaluating the Factual Consistency of Abstractive Text Summarization

Asking and Answering Questions to Evaluate the Factual Consistency of Summaries

FEQA: A Question Answering Evaluation Framework for Faithfulness Assessment in Abstractive Summarization

Falsesum: Generating Document-level NLI Examples for Recognizing Factual Inconsistency in Summarization

QAFactEval: Improved QA-Based Factual Consistency Evaluation for Summarization

Investigating Crowdsourcing Protocols for Evaluating the Factual Consistency of Summaries

  • 直接解决事实不一致问题:

Joint Parsing and Generation for Abstractive Summarization

Masked Summarization to Generate Factually Inconsistent Summaries for Improved Factual Consistency Checking


  1. 文本不连贯(fluent或coherent)


  1. 原文太长,难以直接输入模型(Transformer模型的quadradic复杂度)
  • 抽取+生成范式:证明这种范式比直接生成的效果更好:Bottom-Up Abstractive Summarization, Improving neural abstractive document summarization with explicit information selection modeling
  • 切分数据范式
  • 改进模型


典型的使用seq2seq+attention范式做生成式摘要的论文:

  • A Neural Attention Model for Abstractive Sentence Summarization
  • Abstractive Sentence Summarization with Attentive Recurrent Neural Networks
  • Abstractive Text Summarization using Sequence-to-sequence RNNs and Beyond
  • Get To The Point: Summarization with Pointer-Generator Networks
  • Abstractive Document Summarization with a Graph-Based Attentional Neural Model
  • 感觉没之前几篇那么典型:Query Focused Abstractive Summarization: Incorporating Query Relevance, Multi-Document Coverage, and Summary Length Constraints into seq2seq Models
  • A Discourse-Aware Attention Model for Abstractive Summarization of Long Documents
  • Structure-Infused Copy Mechanisms for Abstractive Summarization
  • 2019年综述:Abstractive summarization: An overview of the state of the art


1.1.2 抽取式摘要extractive summarization

本节内容参考了以下论文的文献综述部分:12


缺点:在话题切换时缺乏连贯性。


  1. Term Frequency-Inverse Document Frequency Method
  2. Cluster Based Method:聚类出各主题,文档表示方法为单词的TF-IDF得分,High frequency term represents the theme of a cluster,基于句子与簇中心的关系选择摘要句
  3. Text Summarization with Neural Network
  4. Text Summarization with Fuzzy Logic
  5. Graph based Method
  6. Latent Semantic Analysis Method: LSA
  7. Machine Learning approach
  8. Query based summarization、


常见范式:做句子的二分类任务(该句是否属于摘要),将预测为“属于”的句子拼起来,组成摘要。

identify and then concatenate the most representative sentences as a summary(语出Friendly Topic Assistant for Transformer Based Abstractive Summarization)


模型分成3层来做表示学习(单词→句子→文档),使用attention等机制提高表示能力。


  1. 用基于图的表征来捕获显著textual units:TF-IDF similarity(Lexrank: Graph-based lexical centrality as salience in text summarization.) ;discourse relation(Textrank: Bringing order into text.);document-sentence two-layer relations(An exploration of document impact on graph-based multi-document summarization.);multi-modal (Graph-based multi-modality learning for topic-focused multidocument summarization.) 和 query information (Mutually reinforced manifold-ranking based relevance propagation model for query-focused multi-document summarization. )
  2. 使用GNN方法捕获文档间关系:Graph-based neural multi-document summarization.(构建discourse图并用GCN表示textual units); Hierarchical transformers for multi-document summarization.(用entity linking technique捕获句子间的全局依赖,用基于图的神经网络模型对句子进行排序)


使用深度学习方法做抽取式摘要的经典论文:

  • SummaRuNNer: A Recurrent Neural Network Based Sequence Model for Extractive Summarization of Documents
  • Extractive Summarization using Deep Learning
  • Neural Extractive Summarization with Side Information
  • Ranking Sentences for Extractive Summarization with Reinforcement Learning
  • Fine-tune BERT for Extractive Summarization
  • Extractive Summarization of Long Documents by Combining Global and Local Context
  • Extractive Summarization as Text Matching


1.2 单文档摘要和多文档摘要

1.2.1 单文档摘要single-document summarization

主题论文总结4:单文档摘要(以罗列为主)(持续更新ing…)


1.2.2 多文档摘要multi-document summarization

本节内容参考了以下论文的文献综述部分:2


看了几篇MDS的论文感觉无非就是一种长文本摘要啊……有的论文就是单纯把多篇文档拼在一起,用[END]token作间隔。(A Multi-Document Coverage Reward for RELAXed Multi-Document Summarization)


输入的多文档可能是冗余的,甚至含有自相矛盾的内容(A common theory of information fusion from multiple text sources step one: cross-document structure.)


迁移单文档摘要的模型到多文档摘要上,以回避缺乏小规模数据集的问题:

Generating wikipedia by summarizing long sequences.:定义Wikipedia生成问题,并提出WikiSum数据集。

Towards a neural network approach to abstractive multi-document summarization.


Multi-news: A large-scale multi-document summarization dataset and abstractive hierarchical model. :提出MultiNews数据集,在抽取过程后应用seq2seq模型生成摘要。

Leveraging graph to improve abstractive multi-document summarization.:用显式图表征建模文档间关系,结合预训练语言模型处理长文本。


1.3 重要研究方向

  1. 长文本摘要
  2. 结构化文本摘要:主题论文总结1:structured text summarization(持续更新ing…)_诸神缄默不语的博客-CSDN博客
  3. 对话/会议摘要:主题论文总结2:会议/对话摘要任务(持续更新ing…)_诸神缄默不语的博客-CSDN博客
  4. 维基百科生成:主题论文总结3:维基百科生成任务(持续更新ing…)_诸神缄默不语的博客-CSDN博客
  5. 科技文献(论文)摘要:主题论文总结5:科技文献(论文)摘要


2. 抽取式摘要


2.1 无监督方法

重要模型:

LEAD-3算法

TextRank算法


2.2 有监督方法

重要模型:

Fine-tune BERT for Extractive Summarization

BertSum算法(官方源代码:nlpyang/BertSum: Code for paper Fine-tune BERT for Extractive Summarization;热心网友写的可以直接用中文数据作为输入的版本:425776024/bertsum-chinese: chinese bertsum ; bertsum 抽取式模型中文版本;给出案例数据、全代码注释;下载即可训练、预测、学习)


3. 生成式摘要


3.1 抽取+生成

3.1.1 解耦的

对范式的介绍:

Abstractive multi-document summarization via phrase selection and merging.:分成两个阶段:第一步,通过无监督的方法或语言学知识来抽取原文中的关键文本元素(key textual elements)。第二步,用语言学规则或文本生成方法来rewrite或paraphrase抽取出来的元素,生成原文的准确摘要。(转引自LCSTS: A Large Scale Chinese Short Text Summarization Dataset)


重要模型:SPACES模型(苏剑林的介绍博文:SPACES:“抽取-生成”式长文本摘要(法研杯总结) - 科学空间|Scientific Spaces;官方源代码:bojone/SPACES: 端到端的长本文摘要模型(法研杯2020司法摘要赛道);热心网友写的PyTorch版复现(不完全复现):eryihaha/SPACES-Pytorch: 苏神SPACE pytorch版本复现)


3.1.2 端到端(end2end)的


3.2 纯生成式方法

3.2.1 基础seq2seq模型

Transformers版,参考PyTorch官方教程:Language Modeling with nn.Transformer and TorchText — PyTorch Tutorials 1.11.0+cu102 documentation


其他参考资料:LCSTS: A Large Scale Chinese Short Text Summarization Dataset:seq2seq (RNN) 没有代码


3.2.2 Pointer-Generator模型

Get to the point: Summarization with pointer-generator networks.


4. 评估指标


本节内容参考了:3


以下评估指标往往也用于翻译、QA等其他文本生成(NLG)任务。


常用术语:

模型生成的句子、预测结果——candidate

真实摘要、标签——reference、ground-truth


precision:candidate中匹配reference的内容占candidate比例

recall:candidate中匹配reference的内容占reference比例


示例:

Reference: I work on machine learning.
Candidate A: I work.
Candidate B: He works on machine learning.


在这个例子中,用unigram4衡量匹配:A就比B的precision更高(A的匹配内容I work占candidate 100%,B的on machine learning占60%),但B的recall更高(60% VS 40%)。


4.1 人工评估指标

文本的流畅程度、对原文的忠实程度、对原文重要内容的包含程度、语句的简洁程度等


4.2 ROUGE (Recall Oriented Understudy for Gisting Evaluation)

出处:ROUGE: A Package for Automatic Evaluation of Summaries


感觉没有2004年之后的文本摘要论文不使用这个指标的,如果看到有的话我会专门来这里提一嘴的。


分类:ROUGE-N(常用其中的ROUGE-1和ROUGE-2), ROUGE-L,ROUGE-W,ROUGE-S(后两种不常用)

原版论文中ROUGE主要关注recall值,但事实上在用的时候可以用precision、recall和F值。


4.2.1 计算指标

每种rouge值原本都是计算recall的,和前面第4节开头介绍的precision和recall值计算方法差不多,主要区别在于这个匹配文本的单位的选择:

image.png


4.2.2 对rouge指标的更深入研究和改进

A Graph-theoretic Summary Evaluation for ROUGE


4.3 BLEU (Bilingual Evaluation Understudy)

更常用于翻译领域。

出处:Bleu: a Method for Automatic Evaluation of Machine Translation


precision用modified n-gram precision估计,recall用best match length估计。


Modified n-gram precision:

n-gram precision是candidate中与reference匹配的n-grams占candidates的比例。但仅用这一指标会出现问题。

举例来说:

Reference: I work on machine learning.
Candidate 1: He works on machine learning.
Candidate 2: He works on on machine machine learning learning.


candidate 1的unigram precision有60%(3/5),candidate 2的有75%(6/8),但显然candidate 1比2更好。

为了解决这种问题,我们提出了“modified” n-gram precision,仅按照reference中匹配文本的出现次数来计算candidate中的出现次数。这样candidate中的on、machine和learning就各自只计算一次,candidate 2的unigram precision就变成了37.5%(3/8)。


对多个candidate的n-gram precision,求几何平均(因为precision随n呈几何增长,因此対数平均能更好地代表所有数值):

image.png

Best match length:

recall的问题在于可能存在多个reference texts,故难以衡量candidate对整体reference的sensitivity6。显然长的candidate会包含更多匹配文本,但我们也已经保证了candidate不会无限长,因为这样的precision可能很低。因此,我们可以从惩罚candidate的简洁性(文本短)入手来设计recall指标:

在modified n-gram precision中添加一个multiplicative factor B P :

image.png

其中 c 是candidates总长度,r  是reference有效长度(如reference长度平均值),随着candidate长度(c)下降,B P  也随之减少,起到了惩罚短句的作用。


4.4 Perplexity


4.5 METEOR (Metric for Evaluation for Translation with Explicit Ordering)

出处:METEOR: An Automatic Metric for MT Evaluation with Improved Correlation with Human Judgments


也是常用于翻译领域。

这个指标声称是跟人工评估指标关联性更高。


BLEU的问题在于 B P BPBP 值所用的长度是平均值,因此单句得分不清晰。而METEOR调整了precision和recall的计算方式,用基于mapping unigrams的weighted F-score和penalty function for incorrect word order来代替。

image.png

4.6 Bertscore

使用该指标的论文:Rewards with Negative Examples for Reinforced Topic-Focused Abstractive Summarization


4.7 其他指标

Revisiting Automatic Evaluation of Extractive Summarization Task: Can We Do Better than ROUGE?

Benchmarking Answer Verification Methods for Question Answering-Based Summarization Evaluation Metrics


SARI

InfoLM: A New Metric to Evaluate Summarization & Data2Text Generation


SPICE

Play the Shannon Game With Language Models: A Human-Free Approach to Summary Evaluation

Reference-free Summarization Evaluation via Semantic Correlation and Compression Ratio:还没有放出来


相关文章
|
6月前
|
运维 安全 数据挖掘
【数据挖掘】离群点概念、类型、检测的挑战概述(图文解释 超详细)
【数据挖掘】离群点概念、类型、检测的挑战概述(图文解释 超详细)
390 0
|
3月前
|
机器学习/深度学习
机器学习中label如何实现多标签编码?
介绍了在机器学习中处理多标签分类问题时的一种标签编码方法。
48 0
|
6月前
|
缓存 人工智能 数据可视化
LLM 大模型学习必知必会系列(十一):大模型自动评估理论和实战以及大模型评估框架详解
LLM 大模型学习必知必会系列(十一):大模型自动评估理论和实战以及大模型评估框架详解
LLM 大模型学习必知必会系列(十一):大模型自动评估理论和实战以及大模型评估框架详解
|
6月前
|
机器学习/深度学习 自然语言处理
【大模型】如何处理微调LLM来编写创意内容?
【5月更文挑战第7天】【大模型】如何处理微调LLM来编写创意内容?
|
12月前
|
存储 Java API
【网安AIGC专题11.7】17ASAP如何更好地改进少样本提示:在LLMs的prompt中添加语义信息,来提高代码摘要生成+代码补全任务的性能。CodeSearchNet数据集(下)
【网安AIGC专题11.7】17ASAP如何更好地改进少样本提示:在LLMs的prompt中添加语义信息,来提高代码摘要生成+代码补全任务的性能。CodeSearchNet数据集(下)
143 0
|
6月前
|
机器学习/深度学习 人工智能 TensorFlow
人工智能平台PAI产品使用合集之在使用DSSM负采样时,不知道label_fields的配置方法如何解决
阿里云人工智能平台PAI是一个功能强大、易于使用的AI开发平台,旨在降低AI开发门槛,加速创新,助力企业和开发者高效构建、部署和管理人工智能应用。其中包含了一系列相互协同的产品与服务,共同构成一个完整的人工智能开发与应用生态系统。以下是对PAI产品使用合集的概述,涵盖数据处理、模型开发、训练加速、模型部署及管理等多个环节。
|
12月前
|
存储 自然语言处理 Apache
【网安AIGC专题11.7】17ASAP如何更好地改进少样本提示:在LLMs的prompt中添加语义信息,来提高代码摘要生成+代码补全任务的性能。CodeSearchNet数据集(上)
【网安AIGC专题11.7】17ASAP如何更好地改进少样本提示:在LLMs的prompt中添加语义信息,来提高代码摘要生成+代码补全任务的性能。CodeSearchNet数据集(上)
122 1
|
6月前
|
自然语言处理 数据挖掘 Java
20源代码模型的数据增强方法:克隆检测、缺陷检测和修复、代码摘要、代码搜索、代码补全、代码翻译、代码问答、问题分类、方法名称预测和类型预测对论文进行分组【网安AIGC专题11.15】
20源代码模型的数据增强方法:克隆检测、缺陷检测和修复、代码摘要、代码搜索、代码补全、代码翻译、代码问答、问题分类、方法名称预测和类型预测对论文进行分组【网安AIGC专题11.15】
271 0
|
6月前
|
自然语言处理 Python
BERT模型基本理念、工作原理、配置讲解(图文解释)
BERT模型基本理念、工作原理、配置讲解(图文解释)
752 0
|
机器学习/深度学习 算法 数据挖掘
机器学习(十九)EM:期望最大算法
机器学习(十九)EM:期望最大算法
356 0
机器学习(十九)EM:期望最大算法