显著性分配作为抽象式摘要生成的引导

抽象式摘要模型通常隐式地从零开始学习捕捉显著信息。近期文献将抽取式摘要作为抽象式摘要模型的引导，以提供显著内容的提示，并取得了更好的性能。然而，抽取式摘要作为引导可能过于严格，导致信息丢失或噪声信号。此外，它难以轻易适应具有不同抽象程度的文档。由于显著性内容片段的数量与分配各不相同，很难找到一个固定阈值来决定哪些内容应被纳入引导。本文提出一种具有灵活且可靠显著性引导的新型摘要方法，即SEASON（SaliencE Allocation as Guidance for Abstractive SummarizatiON，显著性分配作为抽象式摘要引导）。SEASON利用显著性期望的分配来引导抽象式摘要，并能很好地适应不同抽象程度的文章。在两个基准数据集上的自动与人工评估表明，所提方法有效且可靠。在超过一百万篇新闻文章上的实证结果显示出新闻句子存在自然的十五比五十显著性划分，为新闻文章撰写提供了有用见解。