抽象式文本摘要中的多事实纠错
计算与语言
2020-10-07 v1
摘要
预训练神经抽象式摘要系统在新闻摘要性能上（至少就 ROUGE 而言）已主导抽取式策略。然而，系统生成的抽象式摘要常面临事实不一致的缺陷：相对于源文本生成错误事实。为应对这一挑战，我们提出 Span-Fact，一套两个事实纠错模型，利用从问答模型中学到的知识，通过跨度选择对系统生成摘要进行纠错。我们的模型采用单掩码或多掩码策略，以迭代或自回归方式替换实体，从而确保相对于源文本的语义一致性，同时保留抽象式摘要模型所生成摘要的句法结构。实验表明，我们的模型在自动指标与人工评估两方面均显著提升了系统生成摘要的事实一致性，且不牺牲摘要质量。
引用
@article{arxiv.2010.02443,
title = {Multi-Fact Correction in Abstractive Text Summarization},
author = {Yue Dong and Shuohang Wang and Zhe Gan and Yu Cheng and Jackie Chi Kit Cheung and Jingjing Liu},
journal= {arXiv preprint arXiv:2010.02443},
year = {2020}
}
备注
12 pages, accepted at EMNLP2020