一种基于语义块的高效粗到细面感知无监督摘要框架
计算与语言
2022-08-18 v1
摘要
无监督摘要方法通过结合预训练语言模型的表示取得了显著成果。然而，当输入文档极长时，现有方法无法同时兼顾效率与有效性。为了解决这个问题，本文提出了一种基于语义块的高效粗到细面感知排序（C2F-FAR）框架，用于无监督长文档摘要。语义块是指文档中描述同一方面的连续句子。具体而言，我们通过将单步排序方法转换为分层多粒度两阶段排序来解决这个问题。在粗粒度阶段，我们提出了一种新的分割算法将文档分割为面感知语义块，然后过滤掉不重要的块。在细粒度阶段，我们在每个块中选择显著句子，然后从选出的句子中提取最终摘要。我们在四个长文档摘要数据集上评估了我们的框架：Gov-Report、BillSum、arXiv 和 PubMed。我们的 C2F-FAR 在 Gov-Report 和 BillSum 上取得了新的 state-of-the-art 无监督摘要结果。此外，我们的方法比以前的方法快 4 到 28 倍。\footnote{\url{https://github.com/xnliang98/c2f-far}}
引用
@article{arxiv.2208.08253,
title = {An Efficient Coarse-to-Fine Facet-Aware Unsupervised Summarization Framework based on Semantic Blocks},
author = {Xinnian Liang and Jing Li and Shuangzhi Wu and Jiali Zeng and Yufan Jiang and Mu Li and Zhoujun Li},
journal= {arXiv preprint arXiv:2208.08253},
year = {2022}
}
备注
Accpeted by COLING 2022 Long paper