中文新聞文本多文檔摘要生成

李寶安，佘鑫鵬，常振寧，呂學(xué)強(qiáng)，游新冬

(北京信息科技大學(xué) 網(wǎng)絡(luò)文化與數(shù)字傳播北京市重點(diǎn)實驗室，北京 100101)

0 引 言

隨著深度學(xué)習(xí)在文本摘要領(lǐng)域的不斷發(fā)展[1-5]，基于深度學(xué)習(xí)的文本摘要技術(shù)[6]，成為實現(xiàn)新聞自動化生產(chǎn)的方法之一。文本摘要技術(shù)始于抽取式摘要，近年逐漸發(fā)展為應(yīng)用深度學(xué)習(xí)技術(shù)的生成式摘要，而在生成式摘要的領(lǐng)域內(nèi)，又逐漸由單文檔摘要發(fā)展為多文檔摘要。生成式摘要較抽取式摘要更簡潔連貫、概括性更強(qiáng)，多文檔摘要較單文檔摘要可處理更多文獻(xiàn)、摘要信息更豐富。多文檔生成式摘要技術(shù)既可用于生成文摘，亦可用于聚合式寫作，是新聞自動化生產(chǎn)的核心技術(shù)。

本文針對新聞自動化生產(chǎn)的問題，基于Transformer[7]和指針生成網(wǎng)絡(luò)[8]，提出了一種面向中文新聞文本的多文檔生成式摘要模型：Transformer-PGN，該模型利用融合段落注意力機(jī)制的Transformer模型對中文文本進(jìn)行特征表達(dá)和深層次的綜合特征抽取，捕獲跨文檔關(guān)系，再通過指針生成網(wǎng)絡(luò)生成聚合式新聞。實驗結(jié)果表明，該模型在中文多文檔摘要評測數(shù)據(jù)集WeiboSum上取得了良好的效果，Rouge-1、Rouge-2和Rouge-L分別提升了2.1%、2.4%和2.3%。

1 相關(guān)工作

在生成式摘要中，根據(jù)產(chǎn)生摘要的文檔數(shù)量可分為單文檔摘要、多文檔摘要。

單文檔生成式摘要指從一個文檔中生成一個摘要，摘要的句子由機(jī)器生成，生成方式接近于人的思考方式，摘要需簡潔凝練、具有一定的連貫性。近些年，生成式摘要的主流模型都是基于Seq2Seq框架[9]。Google提出基于指針生成網(wǎng)絡(luò)的單文檔生成式摘要模型[8]。該模型一方面通過Seq2Seq框架保持抽象生成摘要的能力，另一方面通過指針網(wǎng)絡(luò)從原文中取詞，提高了摘要的準(zhǔn)確度并解決了OOV問題。并使用覆蓋率機(jī)制來處理重復(fù)問題，提高生成摘要的準(zhǔn)確性。陳天池等[10]在傳統(tǒng)Seq2Seq框架的基礎(chǔ)上，解碼端融合了Attention機(jī)制，解決了Seq2Seq在解碼的時候無法獲得輸入序列足夠信息的問題。李大舟等[11]提出了基于編解碼器結(jié)構(gòu)的中文文本摘要模型，編碼器端將原始文本輸入到編碼器并結(jié)合雙向門控循環(huán)單元生成固定長度的語義向量，使用注意力機(jī)制分配每個輸入詞的權(quán)重來減少輸入序列信息的細(xì)節(jié)損失，解碼器端使用LSTM網(wǎng)絡(luò)，融合先驗知識和集束搜索方法將語義向量解碼生成目標(biāo)文本摘要。從應(yīng)用的角度看，單文檔生成式摘要難以滿足從多篇文檔中生成摘要的場景，因為它無法從多個文檔中生成一個涵蓋不同中心點(diǎn)的、全面的摘要。

多文檔生成式摘要的目的是在一組主題相關(guān)的文檔中生成一個簡短而信息豐富的摘要。多文檔生成式摘要比單文檔生成式摘要更復(fù)雜、更難處理。這是因為在多文檔生成式摘要任務(wù)中，文檔之間有更多不同和沖突的信息。文檔通常較長，文檔之間的關(guān)系更加復(fù)雜。對于模型來說，保留復(fù)雜輸入序列中最關(guān)鍵的內(nèi)容，同時生成相關(guān)的、非冗余的、非事實錯誤和語法可讀的摘要是很有挑戰(zhàn)性的。Google提出基于Transformer的T-DMCA[12](transformer decoder with memory-compressed attention)多文檔生成式摘要模型，該模型包含一個抽取式模型和一個生成式模型，首先通過抽取式模型生成有序的段落列表，再通過生成式模型生成文本。該模型還提出memory-compressed注意力機(jī)制，該機(jī)制通過卷積神經(jīng)網(wǎng)絡(luò)壓縮多頭自注意力提高計算效率。但該模型未能捕獲跨文檔之間的關(guān)系。耶魯大學(xué)構(gòu)建了新聞領(lǐng)域第一個大規(guī)模多文檔摘要數(shù)據(jù)集Multi-News[13]，并提出Hi-MAP(hierarchical MMR-attention pointer-generator model)多文檔生成式摘要模型。該模型通過集成的MMR(maximal marginal relevance)模塊計算句子的相關(guān)性和冗余性，從而計算候選句子的排名，然后通過指針生成網(wǎng)絡(luò)生成摘要。百度提出基于圖的多文檔生成式摘要模型GraphSum[14]。該模型包含Transformer編碼器、圖編碼器和圖解碼器。得益于圖形建模，該模型可以從長文檔中提取重要信息，并能夠更有效地生成連貫的摘要。在大規(guī)模多文檔摘要數(shù)據(jù)集WikiSum和MultiNews上的實驗結(jié)果表明，GraphSum相對于已有的生成式摘要方法具有較大的優(yōu)越性，在自動評價和人工評價兩種方式下的結(jié)果均有顯著提升。

雖然現(xiàn)有的工作為多文檔生成式摘要奠定了堅實的基礎(chǔ)，但與單文檔生成式摘要和其它自然語言處理主題相比，它仍然是一個較少見的研究課題。目前，許多現(xiàn)有的基于深度學(xué)習(xí)的多文檔生成式摘要模型未考慮文檔之間的關(guān)系，從而忽略了多文檔中可能包含的相同、互補(bǔ)或矛盾的信息。捕獲跨文檔關(guān)系，有助于模型提取關(guān)鍵信息，提高摘要的相關(guān)性并降低冗余度。本文提出的Transformer-PGN模型利用融合段落注意力機(jī)制的Transformer結(jié)構(gòu)對中文文本進(jìn)行特征表達(dá)和深層次的綜合特征抽取，并捕獲跨文檔關(guān)系；然后，通過結(jié)合coverage機(jī)制的PGN網(wǎng)絡(luò)生成更有效的摘要。

2 Transformer-PGN模型

本文使用WeiboSum數(shù)據(jù)集，模型的輸入為一組主題相關(guān)的多文檔，輸出為該組多文檔對應(yīng)的摘要。摘要來源于微博用戶參考消息、環(huán)球時報等發(fā)布的微博，多文檔來源于Google搜索引擎返回的前5個結(jié)果(檢索詞為摘要的前20個字符)，每個文檔按換行符被切分為多個段落。由于輸入模型的段落較多且單個段落可能冗長，本文采用Rouge-2和Single-pass聚類算法選擇K個句子串聯(lián)作為模型輸入。對于所有的輸入段落 {P1，…，PL}， 采用Rouge-2計算每個段落與參考摘要的召回率，所有段落按召回率大小降序得到 {R1，…，RL}； 然后，對前L′個段落進(jìn)行Single-pass聚類，得到K個段落組成的簇 {SP1，…，SPK}， 對于每個簇Si， 取簇內(nèi)一個段落，組成段落 {S1，…，SK}； 最后，將K個段落串聯(lián)為模型輸入。

本文的摘要模型如圖1所示。模型的基本結(jié)構(gòu)由編碼器和解碼器組成，編碼器將輸入文本表示成若干帶有語義向量的輸入序列，解碼器則從輸入序列中提取重要內(nèi)容，生成文本摘要輸出。模型的編碼器采用融合段落注意力機(jī)制的Transformer及雙向LSTM結(jié)構(gòu)，模型的解碼器采用Vanilla Transformer、單向LSTM及指針網(wǎng)絡(luò)，同時采用coverage機(jī)制避免生成重復(fù)內(nèi)容。

圖1 總體結(jié)構(gòu)

2.1 編碼器

2.1.1 嵌入層

嵌入層由詞嵌入層、詞位置嵌入層和段落位置嵌入層組成。嵌入層結(jié)構(gòu)如圖2所示。其中，位置嵌入層采用Sinusoidal位置編碼，Sinusoidal位置編碼通過使用不同頻率的正弦、余弦函數(shù)生成，公式如下

圖2 嵌入層結(jié)構(gòu)

epos[2i]=sin(pos/100002i/dmodel)

(1)

(2)

peij=[ei；ej]

(3)

(4)

2.1.2 Local Transformer層

Local Tranformer層對每個段落內(nèi)的詞進(jìn)行編碼，其結(jié)構(gòu)同vanilla transformer[3]層，由以下兩個子層組成

h=LayerNorm(xl-1+MHAtt(xl-1))

(5)

xl=LayerNorm(h+FFN(h))

(6)

其中，LayerNorm為歸一化層；FFN為以ReLU為隱藏激活函數(shù)的兩層前饋神經(jīng)網(wǎng)絡(luò)；MHAtt為Vaswani等介紹的多頭注意力機(jī)制，其結(jié)構(gòu)[7]如圖3所示，公式如下

圖3 multi-head attention結(jié)構(gòu)

MultiHead(Q，K，V)=Concat(head1，…，headh)Wo

(7)

(8)

圖4 Scaled Dot-Product Attention結(jié)構(gòu)

(9)

其中，dk指key的維度，softmax函數(shù)公式如下

(10)

2.1.3 Global Transformer層

Global Transformer層用于多個段落間交換信息。首先對每個段落采用段落注意力機(jī)制，使每個段落可以通過自注意力機(jī)制獲取其它段落的信息，從而生成一個可以捕獲所有上下文信息的上下文向量。然后，上下文向量經(jīng)線性變換，疊加至每個詞向量，并輸入至前饋神經(jīng)網(wǎng)絡(luò)，全局性地更新每個詞的向量表示。

段落注意力機(jī)制與自注意力機(jī)制同理，每個段落通過計算注意力分布獲取其它段落的文本信息。

(11)

αij=softmax(eij)

(12)

(13)

(14)

(15)

其中，Wo1和Wo2是模型參數(shù)。

2.2 解碼器

模型的解碼器采用Transformer層和指針生成網(wǎng)絡(luò)，同時采用coverage機(jī)制避免生成重復(fù)內(nèi)容。解碼器使用的指針生成網(wǎng)絡(luò)包含指針網(wǎng)絡(luò)、單向LSTM和注意力機(jī)制。Transformer層采用Vanilla Transformer結(jié)構(gòu)，Transformer層的輸出編碼狀態(tài)hi作為單向LSTM網(wǎng)絡(luò)的輸入向量，在時間步t得到解碼狀態(tài)序列st。 該時間步輸入序列中第i個詞的注意力分布為at， 公式如下

(16)

(17)

(18)

(19)

(20)

其中，wh、ws、wx、bptr、σ、xt定義請參見文獻(xiàn)[8]。生成單詞w的概率分布計算公式如下

(21)

覆蓋率機(jī)制可以解決重復(fù)性問題，將先前時間步的注意力權(quán)重加到一起得到覆蓋向量ct， 用先前的注意力權(quán)重決策來影響當(dāng)前注意力權(quán)重的決策，這樣就避免在同一位置重復(fù)，從而避免重復(fù)生成文本。覆蓋向量ct計算公式如下

(22)

(23)

其中，Wc為模型參數(shù)。

3 實驗與分析

3.1 實驗數(shù)據(jù)

本文的實驗數(shù)據(jù)采用WeiboSum中文多文檔摘要評測數(shù)據(jù)集，包含訓(xùn)練集新聞主題8000個，驗證集新聞主題1000個，測試集新聞主題1000個，其中，每個主題包含一篇新聞?wù)椭辽賰善侣勎臋n。

3.2 評價指標(biāo)

目前，多文檔摘要任務(wù)的評價指標(biāo)主要有Rouge和基于信息理論的評價標(biāo)準(zhǔn)。Rouge是一個評估指標(biāo)的集合，是許多自然語言處理，如機(jī)器翻譯、單文檔摘要和多文檔摘要任務(wù)等最基本的度量方法之一。通過將自動生成的摘要與一組相對應(yīng)的人工編寫的參考文獻(xiàn)逐詞進(jìn)行比較，獲得預(yù)測/基準(zhǔn)事實的相似性評分。其評價原理是計算生成的摘要與參考摘要重疊的n-gram的召回率來衡量生成摘要質(zhì)量，值越大，生成的摘要質(zhì)量越高。常用指標(biāo)有Rouge-1，Rouge-2，其計算公式如下

(24)

其中，分子中的Countmatch(gramn) 表示生成摘要中與參考摘要中相同n元數(shù)目，分母中的Count(gramn) 為參考摘要中總的n元數(shù)目。

為了更好評價摘要，本文還采用了Rouge-L評價指標(biāo)，Rouge-L指標(biāo)表達(dá)的是匹配兩個文本單元之間的最長公共序列，其計算公式如下

(25)

其中，LCS(X，Y) 是X和Y的最長公共子序列的長度，m表示參考摘要長度。

3.3 實驗環(huán)境及參數(shù)設(shè)置

本文實驗環(huán)境及參數(shù)設(shè)置見表1。

表1 實驗環(huán)境及參數(shù)設(shè)置

3.4 實驗結(jié)果與分析

為了驗證coverage機(jī)制對于基于指針生成網(wǎng)絡(luò)的多文檔生成式摘要的有效性，設(shè)置實驗2和實驗3；為了驗證在多文檔生成式摘要任務(wù)中指針生成網(wǎng)絡(luò)較Transformer模型的優(yōu)越性，設(shè)置實驗1和實驗3；為了驗證在指針生成網(wǎng)絡(luò)中采用Transformer結(jié)構(gòu)進(jìn)行特征提取的有效性，設(shè)置實驗3和實驗4；為了驗證融合段落注意力機(jī)制的Transformer-PGN模型的有效性，設(shè)置實驗4和實驗5。具體實驗內(nèi)容如下：

實驗1：采用Transformer模型在WeiboSum數(shù)據(jù)集上進(jìn)行多文檔生成式摘要任務(wù)，實驗名稱記為Transformer。

實驗2：采用融合注意力機(jī)制的指針網(wǎng)絡(luò)在WeiboSum數(shù)據(jù)集上進(jìn)行多文檔摘要任務(wù)，實驗名稱記為PGN(wo coverage)。

實驗3：采用See等[8]提出的融合coverage機(jī)制的指針生成網(wǎng)絡(luò)在WeiboSum數(shù)據(jù)集上進(jìn)行多文檔摘要任務(wù)，實驗名稱記為PGN。

實驗4：采用本文提出的基于Transformer(未融合段落注意力機(jī)制)和指針生成網(wǎng)絡(luò)的多文檔生成式摘要模型WeiboSum數(shù)據(jù)集上進(jìn)行多文檔摘要任務(wù)，實驗名稱記為Transformer-PGN(wo paragragh attention)。

實驗5：采用本文提出的基于Transformer(融合段落注意力機(jī)制)和指針生成網(wǎng)絡(luò)的多文檔生成式摘要模型WeiboSum數(shù)據(jù)集上進(jìn)行多文檔摘要任務(wù)，實驗名稱記為Transformer-PGN。

5組實驗的結(jié)果如圖5和表2所示。

表2 各模型實驗結(jié)果

圖5 各模型實驗結(jié)果

為了驗證coverage機(jī)制對于基于指針生成網(wǎng)絡(luò)的多文檔生成式摘要的有效性，進(jìn)行實驗2(PGN wo coverage)和實驗3(PGN)的對比實驗，實驗3(PGN)在實驗2(PGN wo coverage)的基礎(chǔ)上增加了coverage機(jī)制。增加coverage機(jī)制的指針生成網(wǎng)絡(luò)模型在Rouge-1、Rouge-2和Rouge-L上較未采用coverage機(jī)制的指針生成網(wǎng)絡(luò)模型都有略微提升，說明coverage機(jī)制可以提高基于指針生成網(wǎng)絡(luò)的多文檔生成式摘要的效果。

為了驗證在多文檔生成式摘要任務(wù)中指針生成網(wǎng)絡(luò)較Transformer模型的優(yōu)越性，設(shè)置實驗1(Transformer)和實驗3(PGN)的對比實驗。實驗結(jié)果表明，指針生成網(wǎng)絡(luò)在Rouge-1上較Transformer模型提升了0.9%，在Rouge-L上較Transformer模型提升了0.6%，在Rouge-2上于Transformer模型效果相同，說明在WeiboSum數(shù)據(jù)集上的多文檔生成式摘要任務(wù)中，指針生成網(wǎng)絡(luò)優(yōu)于Transformer模型。

為了驗證在指針生成網(wǎng)絡(luò)中融合Transformer結(jié)構(gòu)進(jìn)行特征提取的有效性，設(shè)置實驗3(PGN)和實驗4(Transformer wo paragraph attention)的對比實驗。實驗結(jié)果表明，融合Transformer結(jié)構(gòu)的指針生成網(wǎng)絡(luò)較僅使用指針生成網(wǎng)絡(luò)在Rouge-1、Rouge-2和Rouge-L上均提升2%以上，說明在LSTM網(wǎng)絡(luò)的基礎(chǔ)上，融合Transformer結(jié)構(gòu)可以進(jìn)行更深層次的特征提取。

為了驗證融合段落注意力機(jī)制的Transformer-PGN模型的有效性，設(shè)置實驗4(Transformer wo paragraph attention)和實驗5(Transformer-PGN)的對比實驗。增加段落注意力機(jī)制的Transformer-PGN模型較未使用段落注意力的模型在Rouge-1上提升了1.2%，在Rouge-L上提升了1.3%，在Rouge-2上提升了0.9%，說明了段落注意力機(jī)制可以實現(xiàn)對中文文本特征的更深層次抽取和對跨文檔關(guān)系的有效表達(dá)，使得模型對原文的理解更加充分，從而在多文檔生成式摘要任務(wù)中能夠有效提升模型性能。

綜上所述，融合段落注意力機(jī)制的Transformer-PGN模型在Rouge-1、Rouge-2和Rouge-L上均高于其它4個模型。采用融合段落注意力機(jī)制的Transformer結(jié)構(gòu)對中文文本進(jìn)行編碼，可以對原文的上下文理解更加充分，生成語義信息更豐富的上下文向量；指針網(wǎng)絡(luò)可以更好的逐詞生成摘要；覆蓋率機(jī)制可以有效解決生成摘要詞語重復(fù)問題。顯然，本文提出的模型在所有實驗方法中效果最優(yōu)，能夠結(jié)合上下文和段落關(guān)系對多文檔充分建模，更適合于多文檔生成式摘要任務(wù)，較Transformer模型在3個指標(biāo)上均提升了3個百分點(diǎn)以上，充分驗證了本文所提方法的可行性和有效性。

4 結(jié)束語

本文針對中文新聞多文檔摘要文本特征抽取不充分、無法捕獲跨文檔關(guān)系和生成摘要內(nèi)容重復(fù)問題，提出了一種面向中文新聞文本的多文檔生成式摘要模型Transfor-mer-PGN，使用融合段落注意力機(jī)制的Transformer結(jié)構(gòu)和指針生成網(wǎng)絡(luò)，最后結(jié)合coverage機(jī)制避免重復(fù)問題。實驗結(jié)果表明，Transformer-PGN模型在中文新聞多文檔摘要任務(wù)中，Rouge評測分?jǐn)?shù)均高于其它4個模型，生成的摘要結(jié)果更接近標(biāo)準(zhǔn)摘要，同時能有效減少生成重復(fù)內(nèi)容的問題，具有更高的正確性。未來將嘗試結(jié)合強(qiáng)化學(xué)習(xí)提升模型性能[15]。