基于知识图谱增强与语义驱动完形填空奖励的抽取式摘要生成
计算与语言
2020-05-05 v1
摘要
用于抽取式摘要的序列到序列模型已被广泛研究，然而生成的摘要通常存在编造内容的问题，且常被发现近乎抽取式。我们认为，要解决这些问题，摘要模型应获得对输入的语义解释，例如通过结构化表示，以生成信息更丰富的摘要。在本文中，我们提出 ASGARD，一种基于图谱增强与语义驱动奖励的抽取式摘要新框架。我们提出使用双编码器——一个序列文档编码器和一个图结构编码器——来保持实体的全局上下文与局部特征，互为补充。我们进一步设计了一种基于多项选择完形填空测试的奖励，以驱动模型更好地捕捉实体交互。结果表明，在 New York Times 和 CNN/Daily Mail 数据集上，我们的模型比不使用知识图谱作为输入的变体产生了显著更高的 ROUGE 分数。与基于大型预训练语言模型微调的系统相比，我们也取得了更好或相当的性能。人类评估者进一步评价我们的模型输出信息更丰富且包含更少不忠实错误。
引用
@article{arxiv.2005.01159,
title = {Knowledge Graph-Augmented Abstractive Summarization with Semantic-Driven Cloze Reward},
author = {Luyang Huang and Lingfei Wu and Lu Wang},
journal= {arXiv preprint arXiv:2005.01159},
year = {2020}
}
备注
Accepted as a long paper to ACL 2020