基于强化学习的抽象式问题摘要及问题感知语义奖励
计算与语言
2021-07-02 v1
摘要
在线消费者健康问题的增长使得可靠且准确的问题回答系统成为必要。最近一项研究表明，对消费者健康问题进行人工摘要能显著改善相关答案的检索。然而，由于训练数据的缺乏以及相关问题焦点和类型识别等子任务的复杂性，长问题的自动摘要是一项具有挑战性的任务。本文中，我们引入了一种基于强化学习的抽象式问题摘要框架。我们提出了两种来自下游任务的新型奖励：（i）问题类型识别与（ii）问题焦点识别，以正则化问题生成模型。这些奖励确保了语义有效问题的生成，并鼓励在问题摘要中包含关键医疗实体/焦点。我们在两个基准数据集上评估了所提方法，并取得了优于最先进模型的性能。对摘要的人工评估显示，所生成的问题比基线摘要更具多样性且事实不一致性更少。
引用
@article{arxiv.2107.00176,
title = {Reinforcement Learning for Abstractive Question Summarization with Question-aware Semantic Rewards},
author = {Shweta Yadav and Deepak Gupta and Asma Ben Abacha and Dina Demner-Fushman},
journal= {arXiv preprint arXiv:2107.00176},
year = {2021}
}
备注
To appear at ACL 2021