基于度量学习和层级推理网络的抽取式摘要方法

摘要：

当前大部分的抽取式摘要方法主要关注对摘要句的表示和抽取,容易忽略对文本特征表示的充分性.为了解决这一问题,提出一种基于度量学习和层级推理网络的抽取式摘要方法.首先,在抽取式任务基础上提出基于度量学习和层级推理的抽取式摘要模型(MLHIN);其次,在CNN/DailyMail数据集上进行模型评估,并在英文摘要数据集CNN/DailyMail上进行测试;最后,对测试结果进行验证.结果显示,所提方法模型在Rouge-1,Rouge-2,Rouge-L上的得分明显优于其他模型,比Lead-3模型分别高出0.84％,1.29％和2.43％;通过将提出的度量损失metric和层级推理模型中的句子编码器替换掉,可以看出模型性能均有不同程度的下降,证明了提出的层级推理网络和度量损失的有效性.新算法能够提高模型捕捉长距离依赖的能力,增强模型对摘要句与非摘要句的分辨力,有效改善了抽取式摘要方法的性能.

关键词：自然语言处理、句子编码器、文档编码器、度量学习、层级推理、抽取式文本摘要

所属期刊栏目：43

分类号：TN958.98

资助基金：河北省自然科学基金;河北省高等学校科学技术研究项目

在线出版日期：2023-01-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：594-601