EOS: Controllable Entity-Oriented Summarization

摘要

雖然文本摘要一直都是自然語言處理領域中一項重要任務，但對文本摘要進行客製化仍是較新穎的一項課題。根據客製化的需求目的不同，我們將客製化摘要分為五大類型：長度控制(length-constrained)、類別導向(aspect-oriented)、實體相關(entity-centric)、部份摘要(remainder)與文本風格(source-style)。我們於本論文提出一個新的實體導向摘要任務 (Entity-Oriented Summarization EOS) ，結合了以往類別導向及實體相關的目標，希望能夠生成以實體為導向的相關摘要。 現行的方法在進行實體導向摘要任務時，會遇到以下三個難題：缺乏與實體相對應的摘要訓練資料、罕見實體的向量學習表現不佳以及實體與文章主題不相關。面對第一個難處，前人往往自定義規則來產生對應的訓練資料，而我們在模型架構設計上，只需要一般的摘要作為訓練即可。對於罕見字處理，我們基於點間互資訊 (Pointwise Mutual information) 設計了一個新的相關度計算方式。而最後，我們採用一個模型訓練技巧，巧妙地在實體與文章不相關時，依然可以產生通用的摘要。實驗結果顯示，我們的模型確實可以產生與實體相關的摘要，而在進一步的分析中也可以發現，我們所提出的解決方法，確實能有效減緩罕見與不相關實體的問題。

獎項日期	2021
原文	English
監督員	Hung-Yu Kao (Supervisor)