利用非对话摘要增强对话摘要

为缓解学术界缺乏多样化对话摘要数据集的问题，我们提出了利用非对话摘要数据来增强对话摘要系统的方法。我们对文档摘要数据对施加变换，以生成更契合对话摘要的训练数据。所提出的变换还保留了非对话数据集的理想特性，例如对源文本更高的忠实度。我们在英语和韩语上进行了大量实验以验证我们的方法。尽管随着引入更多对话摘要样本，ROUGE 的绝对增益自然会趋于平缓，但使用非对话数据进行训练在零样本和少样本设定下显著提升了摘要性能，并在所有训练机制中增强了忠实度。