ATSumm：面向稀疏训练数据的灾难推文辅助信息增强式抽象摘要方法
计算与语言
2024-05-13 v1 社会与信息网络
摘要
Twitter上丰富的态势信息给用户在灾难期间手动辨别重要和相关信息带来了挑战。对这些信息进行简洁且人类可解释的概述，有助于决策者实施高效快速的灾难响应。现有的抽象摘要方法可分为基于句子的方法和基于关键短语的方法。本文重点关注基于句子的方法，该方法在文献中通常以两阶段过程实现。第一阶段称为抽取阶段，涉及识别最相关的推文。后续阶段称为抽象阶段，旨在生成更易于人类理解的摘要。在本研究中，我们采用了先前研究的抽取阶段方法。对于摘要的抽象阶段，大多数现有方法采用基于深度学习的框架，这些框架可以是预训练的，也可以是从头开始训练的。然而，要达到适当的性能水平，这两种方法都必须拥有大量的训练数据，而这些数据并不容易获得。本工作提出了一个抽象推文摘要器（ATSumm），通过使用辅助信息有效解决了数据稀疏问题。我们引入了辅助指针生成器网络（AuxPGN）模型，该模型利用了一种称为关键词注意力的独特注意力机制。这种注意力机制以关键词及其来自输入推文的相应重要性分数的形式整合了辅助信息。我们通过在13个灾难数据集上与10种最先进方法进行比较来评估所提出的方法。评估结果表明，ATSumm相比最先进方法实现了更优的性能，在ROUGE-N F1分数上提升了4-80%。
引用
@article{arxiv.2405.06541,
title = {ATSumm: Auxiliary information enhanced approach for abstractive disaster Tweet Summarization with sparse training data},
author = {Piyush Kumar Garg and Roshni Chakraborty and Sourav Kumar Dandapat},
journal= {arXiv preprint arXiv:2405.06541},
year = {2024}
}