在不牺牲摘要质量的前提下提升抽象式摘要的事实性
计算与语言
2023-05-25 v1 人工智能
机器学习
摘要
提升抽象式摘要的事实一致性已被广泛研究。然而，先前大多数关于训练事实感知模型的工作都忽视了其对摘要质量产生的负面影响。我们提出 EFACTSUM（即 Effective Factual Summarization），一种候选摘要生成与排序技术，用于在不牺牲摘要质量的情况下提升摘要事实性。我们表明，使用对比学习框架结合我们精炼的候选摘要，可在事实性与基于相似度的指标上均取得显著提升。具体而言，我们提出一种排序策略，有效结合两个指标，从而在训练过程中避免任何冲突。采用我们方法训练的模型在 XSUM 上相对于基模型在 FactCC 指标上取得最高 6 个绝对点的提升，在 CNN/DM 上提升 11 个点，且不会对基于相似度的指标或抽象性产生负面影响。
引用
@article{arxiv.2305.14981,
title = {Improving Factuality of Abstractive Summarization without Sacrificing Summary Quality},
author = {Tanay Dixit and Fei Wang and Muhao Chen},
journal= {arXiv preprint arXiv:2305.14981},
year = {2023}
}
备注
ACL 2023