面向语音商务的一次性标题压缩的无监督元学习

面向语音与移动商务的商品标题压缩是一个被充分研究的问题，迄今已有若干监督模型被提出。然而这些模型有两大局限：它们并非设计用于基于推断时的线索动态生成压缩，且在测试时对不同品类的迁移能力不佳。为克服这些不足，我们将标题压缩建模为元学习问题，并追问：仅给定一个压缩样例，我们能否学到标题压缩模型？我们采用无监督方法进行元训练，提出一种自动任务生成算法，将观测标签生成过程建模为 4 个未观测过程的产物。我们对这 4 个潜过程建立参数化近似，以获得生成随机压缩规则的原则性方式，并将其视为不同任务。对于主元学习器，我们使用两个模型 M1 与 M2。M1 是任务无关的嵌入生成器，其输出送入作为任务相关标签生成器的 M2。我们在一新颖的无监督片段排序预测任务上预训练 M1，使我们能将 M1 视为在元训练过程中也学习片段排序的片段生成器。我们在 16000 个众包生成的元测试样例上的实验表明，我们的无监督元训练机制在每任务仅见一例的情况下，能为不同任务习得学习算法。进一步，我们展示作为黑盒元学习器端到端训练的模型优于非参数方法。我们的最佳模型取得 0.8412 的 F1 分数，以 25 个 F1 点的巨大优势超越基线。