论文笔记 --《Bottom-Up Abstractive Summarization》

来源： EMNLP 2018
关键词：NLG，Bottom-Up, Text-Summarization

---

1.背景及问题描述（Abstract）

文本摘要是需要从长文本上生成内容相关的文本摘要。 基于神经网络的生成式文本摘要发方法可以生成非常通顺的结果，但是他们却不擅长进行内容选择（content selection）。本篇论文引入一个简单的内容选择器（content selector），首先来决定文档中哪部分是有效的，然后只需要在这部分句子上做生成摘要。实验表明，这种方法可以提升句子压缩的质量，同时产生流畅的摘要。并且，这种两部走的办法要比end-to-end的模型要简单和高效。 此外，内容选择器（content selector）的训练只需要非常少的句子就能取得比较好的效果，所以迁移到其他模型是非常容易的。

2.已有的解决方案

目前生成式文本摘要表现比较好的模型是使用 pointer-generator models实现的end-to-end模型。

3.解决方案概述

作者提出的 Bottom-Up方案就是将一般的end-to-end模型分两部走，第一步从长文档中选择可能相关的部分，然后在选择的部分执行常规的摘要模型。作者的思路是从CV中得到的，在做物体识别时，先在图像上画框确定范围，然后只需要关注在这个框里面。

其中内容选择器的实现就是看作一个序列标注问题（sequence-tagging problem），作者只使用Elmo词向量就可以实现超过 60% recall 和50% precision的模型。

把第一步的结果引入到后面的摘要模型中，只需要使用masking机制来限制从原文中copy单词。

1.Bottom-Up Attention

首先定义文本摘要的一般定义：对于文本对 $(X,Y)$,其中， $x\in{X}$表示source 序列 $x_1,...,x_n$， $y\in{Y}$表示生成的摘要序列 $y_1,...,y_m$，其中 $m << n$。

作者是把内容选择当作序列标注问题来处理，那么第一步就是需要构造标注数据。作者的处理办法是，文本摘要数据集通常是文档-摘要对，所以作者将摘要与文档对其来构造监督数据。 详细的，对于文档中的token $x_i$被选中，当：

1. 它在一段尽可能长的子序列 $s=x_{i-j:i:i+k}$中,同时 $s\in{x}$并且 $s\in{y}$。
2. 前面不存在与 $s$相等的序列。

构造好训练数据之后，就是训练一个常规的序列标注模型，作者输入使用ELMo训练一个双层的LSTM模型，然后计算每个位置被选中的概率。

2.Bottom-Up Copy Attention

作者发现encoder直接对原本编码可以有更好的效果。所以，在训练阶段，分别训练pointer-generator model 和内容选择器 。在推理阶段，首先计算source中所有token的选择概率 $q_{1:n}$，然后用它来影响copy模型中的copy概率，使得没有被选中的token不会被copy。令 $a^i_j$表示在step j对source中iword的copy概率，经过调整之后的概率为，其中 $\epsilon$是一个阈值，取值在0.1-0.2之间：

这里注意，因为调整之后的概率分布不再正确，需要重新归一化。

3.End-to-End 方案

“两步走”的思路虽然很简单也很有效，但是作者还是尝试了在一个模型中训练，猜想标准的copy模型可以与内容选择期一起训练的。作者设定了三种模式：

1. 只有mask。
2. 多任务学习。使用共享的encoder同时训练序列标注任务和文本摘要任务。但是在预测阶段还是“两步走”的策略。
3. 交叉训练。在训练过程中，直接将copy概率 $a^i_j$与选择概率 $q_i$相乘。

4.推理阶段

对于目前长文档的生成网络主要的两个问题：1.生成错误的长度。2.重复词。作者在得分函数中引入两个惩罚：长度惩罚 $lp (length penalty)$和覆盖惩罚 $cp(coverage penalty)$。 $s(x,y) = \log{p(y|x)}/lp(x) + cp(x;y)$

其中，长度惩罚 $lp (length penalty)$是为了鼓励产生更长的序列，需要在beam search阶段考虑进去。

覆盖惩罚 $cp(coverage penalty)$用来防止过度的重复，作者引入了一种新的方法：

4.结果分析

上图是在CNN-DM上的实验表明：

1. 作者设计的是那种end-to-end方案没有一种是有效的。
2. 本文提出的“两步走”的Bottom-Up方法对结果提升比较明显。
3. 用交叉熵训练的模型好于使用强化学习训练的模型。

上图是内容选择器的训练结果，实验结果表明只需要很少的，大于1000条，句子就能取得不错的效果。

上图是在原始了Point-generator模型基础上，在Inference阶段测试三种惩罚策略的效果，可以发现三种惩罚都非常有效，同时提升三个指标。同时这也表明，原始了Point-generator模型已经可以很好的来解决文本摘要问题，如果在预测阶段加一些处理就更好了！

5.创新点或贡献

1. 本文提出了一种简单但是有效的内容选择模型来处理文本摘要问题。
2. 作者发现采用“两部走”的bottom-up方法更有效。
3. 作者提出的方法对数据依赖很低（ data-efficiency），可以很容器迁移到其他数据集中。
4. 作者介绍了两种惩罚策略，并证明非常有效。

6.个人思考

本篇论文基础模型还是Pointer-Generator Network，非常实用性的改进，主要有三点可以考虑使用：

1. 使用bottom-up的思路 + “两部走”的策略
2. 在beam-search阶段加入长度惩罚可以生成更长更丰富的结果序列。
3. 新的覆盖惩罚用来处理重复问题。