用于抽取式数据摘要的深度次模网络
机器学习
2020-10-20 v1 计算与语言
信息检索
摘要
深度模型因能够学习复杂特征交互与表示，在摘要问题（如文档、视频与图像）中日益普遍。然而，它们并未对多样性、代表性与覆盖度等摘要任务同样至关重要的特性进行建模。另一方面，次模函数因其收益递减性质而自然地对这类特性建模。大多数对次模函数建模与学习的方法依赖于非常简单的模型，例如次模函数的加权混合。遗憾的是，这些模型仅能学习不同次模函数（如多样性、代表性或重要性）的相对重要性，却无法学习通常为实现最优性能所需的更复杂特征表示。我们提出深度次模网络（DSN），一种端到端学习框架，可促进更复杂特征与更丰富函数的学习，旨在更好地建模摘要的各个方面。DSN 框架可用于从零开始学习与摘要相适应的特征。我们在通用与查询聚焦的图像集合摘要上展示了 DSN 的效用，并显示出相较最优方法的显著改进。具体而言，我们表明 DSN 优于使用现成特征的简单混合模型。其次，我们还表明，在 DSN 中仅使用四个次模函数进行端到端学习，其表现可与具有 594 个手工设计组件的最优混合模型相媲美，并优于其他图像集合摘要方法。
引用
@article{arxiv.2010.08593,
title = {Deep Submodular Networks for Extractive Data Summarization},
author = {Suraj Kothawade and Jiten Girdhar and Chandrashekhar Lavania and Rishabh Iyer},
journal= {arXiv preprint arXiv:2010.08593},
year = {2020}
}