ACL2017-基於神經網路方法的多文檔摘要

一，問題

已有的新聞語料，為sentence-to-sentence模型在單文檔摘要中的應用奠定基礎。然而，針對多文檔摘要，缺少相應大規模的用於複雜模型參數估計的語料。本文作者提出一種基於句子的方法，對句子重要度進行回歸分析，然後基於句子重要度的排名得到相應的摘要。

二，方法介紹

本文的一個重要創新之處在於，利用句子之間的關係圖，對句子向量進行優化。針對一個cluster中的多個篇章而言，每個篇章包含多個句子。

首先，每個句子的結構用RNN模型來捕捉，得到相應的句子向量。

圖的構建：對於同一個cluster下，句子之間的關係（邊的權重）通過三種方法衡量，利用tf-idf計算相似度，Approximate Discourse Graph，為了進一步增加變異性，作者提出sentence personalization score。

在圖構建完之後，使用Kipf and Welling (2017)提出的Graph Convolutional Networks，最終輸出，針對每個節點（句子）的隱藏特徵，即考慮到篇章結構的句子向量。

每個篇章，繼續使用rnn模型構建篇章的向量表示。

最後，針對每個cluster，篇章的平均最為cluster向量表示。

最終的句子重要度估計如下式所示：

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！