面向抽象式摘要的语篇理解与事实一致性

我们引入一个具有事实一致性并对输出摘要中叙事流进行显式建模的抽象式摘要通用框架。我们的工作解决了当前抽象式摘要模型常产生幻觉信息或生成连贯性不佳摘要的局限。为生成具备事实一致性与叙事流的抽象式摘要，我们提出协作式生成器—判别器网络（Co-opNet），一种基于transformer的新框架，其中生成器与判别器架构协作以撰写连贯的长文摘要。我们探索了四种不同的判别器目标，各自捕捉连贯性的不同方面，包括生成摘要中的显著跨度是否为幻觉或出现在输入上下文中，以及生成摘要中句子邻接的可能性。我们使用arXiv科学论文衡量Co-opNet学习这些目标的能力，以摘要作为黄金长文科学文章摘要的替代。自动与人工评估的经验结果表明，与竞争性基线相比，Co-opNet学到的摘要具有显著改进的全局连贯性。