通过交替对抗学习消除新闻摘要中的首段偏差
计算与语言
2021-06-01 v1
摘要
在新闻文章中，首段偏差是一种常见现象，通常主导神经抽取式摘要器的学习信号，严重限制其在具有不同甚至无偏差数据上的性能。本文引入一种新技术来削弱首段偏差，使摘要器更关注内容语义。在两个具有不同程度首段偏差的新闻语料上的实验表明，我们的方法能有效削弱模型学到的首段偏差，并提升其在分布外数据上的泛化能力，同时在分布内数据上几乎没有性能损失。
引用
@article{arxiv.2105.14241,
title = {Demoting the Lead Bias in News Summarization via Alternating Adversarial Learning},
author = {Linzi Xing and Wen Xiao and Giuseppe Carenini},
journal= {arXiv preprint arXiv:2105.14241},
year = {2021}
}
备注
Accepted at ACL-IJCNLP 2021 main conference (short paper)