控制抽象式摘要中逐字复制的量

摘要不得改变原文含义。实现这一点最有效单一方式是增加复制量，同时仍允许文本抽象。人类编辑通常能控制复制，从而产生更偏抽取式而非抽象式的摘要，或反之。然而，现代神经抽象式摘要器是否能提供同样的灵活性，即从单一参考摘要学习以生成具有不同复制程度的多个摘要假设，仍知之甚少。本文提出一种神经摘要模型，它通过对单一人类摘要的学习，能生成从纯抽取式到高度生成式的广泛摘要谱。我们将摘要任务构建为语言建模，并利用替代机制生成摘要假设。我们的方法允许在神经摘要模型的训练与解码阶段控制复制。通过大量实验，我们说明了所提方法在控制逐字复制量方面的重要性，并相对于强基线取得了有竞争力的结果。我们的分析进一步揭示了有趣且非显而易见的事实。