面向抽取式多文档摘要的压缩异质图
计算与语言
2023-03-14 v1 人工智能
摘要
多文档摘要（MDS）旨在为若干相关文档生成摘要。我们提出 HGSUM，一种扩展编码器-解码器架构的 MDS 模型，以融入异质图来表示文档的不同语义单元（如词和句子）。这与现有 MDS 模型形成对比，后者不考虑图的不同边类型，因此无法捕捉文档中关系的多样性。为在异质图中仅保留文档的关键信息和关系，HGSUM 使用图池化来压缩输入图。为引导 HGSUM 学习压缩，我们引入一个额外目标，在训练期间最大化压缩图与由真实摘要构建的图之间的相似度。HGSUM 以图相似度和标准交叉熵目标进行端到端训练。在 MULTI-NEWS、WCEP-100 和 ARXIV 上的实验结果表明，HGSUM 优于 SOTA MDS 模型。我们的模型和实验代码可在 https://github.com/oaimli/HGSum 获取。
引用
@article{arxiv.2303.06565,
title = {Compressed Heterogeneous Graph for Abstractive Multi-Document Summarization},
author = {Miao Li and Jianzhong Qi and Jey Han Lau},
journal= {arXiv preprint arXiv:2303.06565},
year = {2023}
}
备注
AAAI 2023