基于关系异构图神经网络的实体引导文本摘要框架

生成忠实摘要的文本摘要面临两个关键问题：利用文本之外的知识，以及利用文本中的跨句关系。针对这两类问题，直观的做法分别是知识图谱（KG）和图神经网络（GNN）。实体是文本与知识图谱中的语义单元。本文通过利用文本中提及的实体连接 GNN 与 KG 用于摘要，同时关注上述两个问题。首先，利用实体构建带加权多类型边的句-实体图以建模句子关系，并提出用于摘要的关系异构图神经网络计算节点编码。其次，利用实体将图链接至 KG 以收集知识。第三，实体引导一个两步摘要框架，定义多任务选择器以挑选显著句子与实体，并使用实体聚焦的压缩器压缩句子。通过构建句-实体图，其中实体-实体边基于 KG 建立、在 KG 上初始化实体嵌入并利用实体-实体边训练实体嵌入，GNN 与 KG 得以连接。该关系异构图神经网络在 GNN 中同时利用边权与边类型来计算带加权多类型边的图。实验表明，所提方法在 CNN/DM 上优于包括基于 HGNN 的 HGNNSum 在内的抽取式基线以及包括实体驱动的 SENECA 在内的生成式基线，并在 NYT50 上优于大多数基线。在子数据集上的实验显示句-实体边的密度极大影响所提方法性能：密度越大，性能越好。消融实验证明了方法的有效性。