文章目录
这是一篇ACL2017的论文,偏工程性,模型实用性强,容易复现同时性能也好,作者也都是大牛(大家如果上过cs224n的课,应该对Manning教授不陌生吧)
摘要
在生成式摘要任务中,对于传统的seq2seq+attention的模型架构,作者提出它们有以下缺点:
- 难以准确复述原文细节
- 无法处理原文中的未登录词(OOV)
- 在生成的摘要中存在一些重复的部分
此文提出了一种新颖的架构来增强标准的seq2seq+attention模型,采用了两种正交(互相之间不存在交集)的新颖手段:
- 使用指针生成器网络(pointer-generator network),通过指针从原文中拷贝词,这种方式的高明之处在于正确复述原文信息的同时,也能使用生成器生成一些新的词
- 使用覆盖率(coverage) 机制,追踪哪些信息已经在摘要中了,通过这种方式以期避免生成具有重复片段的摘要
一 介绍
摘要技术整体分为两种: 1. 抽取式extractive 2.生成式astractive 。
抽取式比较简单,目前的performance也一般比较高,因为它是直接从原文抽取一些段落。但是想要生成高质量的摘要,必须具备一些复杂的摘要能力(如释义(paraphasing), 概括(generalization), 与现实世界知识的融合(incorporation of real-world knowledge)),这些只有通过生成式模型才可能得以实现。
鉴于生成式摘要任务的困难性,早期的摘要技术一般都是抽取式的,然而随着seq2sq架构的出现(Sutskever et al., 2014),使用这种架构来读取与自由地生成文本就变得可行了(Chopra et al., 2016; Nallapati et al., 2016; Rush et al.,2015; Zeng et al., 2016)。虽然这种模型很有前景,但存在本文摘要中所说的那三种缺点。
虽然最近的生成式摘要方面的工作专注于标题生成任务(headline generation)(将一个或两个句子减少到单个标题),但此文作者认为较长文本的摘要更具挑战性(需要更高级别的抽象同时避免重复)并最终更有用。
此文提出的模型在CNN/Daily Mail上的表现: 在至少2个ROUGE的指标上达到2017新的state of the art
此文提出的的指针生成器网络(pointer-generator network),通过指向(pointing)从原文中拷贝词语(方案提出者: (Vinyals et al., 2015)),这样在保留可生成新的词的能力的同时,也能准确复述原文内容(个人认为作者很有洞见性,知道抽取式方案有其自身的优势,通过这种方法来达到抽取式(extractive)和生成式(abstractive)两种方案的平衡点)。
同样想达到这个平衡点的还有CopyNet(Gu et al.’s (2016))和Forced-Attention Sentence Compression(Miao and Blunsom (2016))。
作者以前做神经机器翻译(Neural Machine Translation) 的任务时,提出过一种覆盖向量(coverage vector) (Tu et al., 2016)机制,用来跟踪和控制原文档内容的覆盖率,证明过此种机制对于消除重复片段特别有效。
二 模型
此章节介绍
- 此文使用的 基准比较模型(baseline) : 序列到序列(sequence to sequence) 模型架构
- 此文使用的指针生成器网络(pointer-generator network)
- 此文的覆盖率机制(coverage mechanism) , 可以被加在上述两种模型架构上
2.1 序列->序列架构加上注意力机制模型(seq2seq+attention model)
此baseline模型与Nallapati et al. (2016)等提出的架构类似。如下图所示:
![](https://i-blog.csdnimg.cn/blog_migrate/d8f084badb05c389d105d9ea0088441b.png)
encoder部分,此文采用单个 双向LSTM(bidirectional LSTM) 单元构成的层,训练数据中的文档中的token(词语或一些切割后的符号)
w
i
w_i
wi 被一个个地喂入这个encoder,产生一个encoder的隐藏层状态
h
i
h_i
hi 的序列。
decoder部分,此文采用单个 单向LSTM(unidirectional LSTM) 单元构成的层,时刻
t
t
t 时接收上一个词的嵌入(embedding) (训练阶段这是前一个参考摘要中的词,测试阶段这是前一个decoder产生的词),生成解码状态
s
t
s_t
st 。
注意力分布
a
t
a^t
at 的计算与Bahdanau et al. (2015)中的相同:
![](https://i-blog.csdnimg.cn/blog_migrate/b01f81cf5f30694c542cd70bcd90ca26.png)
其中
v
,
W
h
,
W
s
,
b
a
t
t
n
v, W_h, W_s, b_{attn}
v,Wh,Ws,battn都是可学习参数。
注意力分布可以看作是建立在原文本(上图中的source text)中所有词上的一个概率分布,告诉decoder该看向哪里去生成下一个词。接下来,注意力分布用于产生encoder隐藏状态的加权和,即上下文向量(context vector)
h
t
∗
h_t^*
ht∗ :
![](https://i-blog.csdnimg.cn/blog_migrate/19e5042bdaafb8482d6e0bc06e9d1bb6.png)
依靠这个上下文向量 h t ∗ h_t^* ht∗ 和decoder的隐层向量 s t s_t st,共同决定 t t t 时刻 预测在词表上的概率分布 P v o c a b P_{vocab} Pvocab:
![](https://i-blog.csdnimg.cn/blog_migrate/f0420cf4cc823ec61c54db633b2d9611.png)
其中 V , V ′ , b , b ′ V, V', b, b' V,V′,b,b′ 都是可学习参数, P v o c a b P_{vocab} Pvocab 是建立在整个词表上的概率分布,提供最终的预测词分布 P ( w ) P(w) P(w):
![](https://i-blog.csdnimg.cn/blog_migrate/65ffac8a48cb336e5661d6b212bf3423.png)
训练阶段,时刻 t t t 的损失函数是生成目标词 w t ∗ w_t^* wt∗ 的负对数似然概率 l o s s t loss_t losst:
![](https://i-blog.csdnimg.cn/blog_migrate/911b83cc305d14f4ca9ad3f79b83ff3c.png)
那么对于一条序列来说,将每个词的损失计算平均即得到这条序列的损失 l o s s loss loss:
![](https://i-blog.csdnimg.cn/blog_migrate/132de0c3f647a4ab68373d832114eea5.png)
2.2 指针生成器网络(pointer-generator network)
指针生成器网络是一个上面的baseline模型和指针网络(pointer network, (Vinyals et al., 2015))的混合模型,模型架构如图:
![](https://i-blog.csdnimg.cn/blog_migrate/33c032283f6751f10cace1e3debaafed.png)
其中注意力分布
a
t
a^t
at 与上下文向量
h
t
∗
h_t^*
ht∗ 的计算公式与上文相同。(见公式(1), (2), (3))
在时刻
t
t
t ,由上下文向量
h
t
∗
h_t^*
ht∗,decoder状态向量
s
t
s_t
st,decoder输入
x
t
x_t
xt 共同计算 $生成概率
p
g
e
n
p_{gen}
pgen:
![](https://i-blog.csdnimg.cn/blog_migrate/94ed1ebaae36499fa956dc35b5494d4f.png)
其中
w
h
∗
,
w
s
,
w
x
w_{h^*}, w_s, w_x
wh∗,ws,wx 与标量
b
p
t
r
b_{ptr}
bptr 都是可学习参数,
σ
\sigma
σ 是sigmoid函数(使计算结果落在
[
0
,
1
]
[0, 1]
[0,1]之间)
这个
p
g
e
n
p_{gen}
pgen的计算相当关键,它被用作一个两种决策的软连接: 通过
P
v
o
c
a
b
P_{vocab}
Pvocab从词表中生成一个词, 还是从输入序列的注意力分布
a
t
a^t
at 中进行采样得到一个词。
同时,对于每一篇文档,用 扩展后的词表(extended vocabulary) 来表示整个词表和这篇文档中的词的并集(这是处理OOV的好办法啊)
得到如下在扩展词表上建立的概率分布:
![](https://i-blog.csdnimg.cn/blog_migrate/c45cd7529bca3b1280c6e939f249f3e8.png)
(顺带一提,这里对
p
g
e
n
p_{gen}
pgen的运用让我想起了GRU中的记忆,遗忘机制)
如果
w
w
w 是一个未登录词(OOV),
P
v
o
c
a
b
(
w
)
P_{vocab}(w)
Pvocab(w) 就为 0;如果
w
w
w 在这篇文档中出现,但在词表中出现,那么
∑
i
:
w
i
=
w
a
i
t
\sum_{i:w_i=w}a_i^t
∑i:wi=wait 就将为 0
能生成未登录词是pointer-generator网络的一个主要优势
损失函数的计算和上文公式中的(7), (8)相同,但注意对应的
P
(
w
)
P(w)
P(w)计算过程要替换成公式(9)
2.3 覆盖机制(coverage mechanism)
此文采用 Tu et al. (2016) 等的覆盖模型来解决生成摘要中出现重复片段的问题。
在此覆盖率模型中,作者保留了一个 覆盖率向量(coverage vector)
c
t
c^t
ct,它是在之前所有decoder步骤上的注意力分布的求和:
![](https://i-blog.csdnimg.cn/blog_migrate/1358ad36eff0626e5b862be46dea837f.png)
直观上看, c t c^t ct 是源文档单词的 非标准化(unnormalized) 分布,表示到目前为止这些单词从注意力机制积累的覆盖程度。注意 c 0 c^0 c0 是一个零向量,因为在第一步,对于源文档没有被覆盖的部分。
覆盖率向量也被用来作为注意力机制的额外输入,将公式(1)变化为:
![](https://i-blog.csdnimg.cn/blog_migrate/962bfd8d0a0aa04ff3e143ada4043330.png)
其中
w
c
w_c
wc 是一个可学习的参数,具有和向量
v
v
v 一样的长度。
这确保了注意力机制做当前的决策时(下一步选择关注哪个词)会考量其先前的决定。这种方案使得对于注意力机制来说避免重复关注同一块地方的问题,因此能避免生成重复摘要的问题。
此外,通过实验发现额外定义一个 覆盖率损失(coverage loss) 来惩罚将注意力重复放在同一区域的行为是非常必要的:
![](https://i-blog.csdnimg.cn/blog_migrate/d939cbb1a0214032796de5043ba99f64.png)
注意这个损失是 有界(bounded) 的:
covloss
t
≤
∑
i
a
i
t
=
1
\text{covloss}_t \leq \sum_i a_i^t = 1
covlosst≤i∑ait=1
最终的复合损失函数(composite loss function):
![](https://i-blog.csdnimg.cn/blog_migrate/d577c8ccea3ac272f9413e861d688aeb.png)
其中 λ \lambda λ 是一个超参数,权衡两种损失的代价。
三 相关工作
略
四 数据集
使用CNN/Daily Mail数据集,包括在线新闻文章(平均每篇文章781个token)及其对应的摘要(平均长度为3.75个句子,56个token)。作者使用Nallapati et al. (2016) 提供的脚本获取相同版本的数据集,包括
训练集:287,226条
验证集:13,368条
测试集:11,490条
原数据集的公开发布版本都使用的是匿名版本(anonymized version) ,已经经过数据预处理(替换掉如 The United Nations 之类的命名实体,更换为一个唯一标识符如 @entity5 )
相反,作者直接对数据的原始版本(或非匿名版本(non-anonymized version)) 进行操作,因为作者认为这是更应该解决的,贴近现实情况的问题,所以作者没有做数据预处理。
五 实验参数详细设置
隐藏层维度: 256
词嵌入: 128
词表大小(同时作为输入文档和对应摘要的词表): 50,000
没有使用预训练词嵌入
优化器: Adagrad
学习速率: 0.15
学习过程初始累加器值(initial accumulator value): 0.1
使用梯度修剪(gradient clipping), 使得最大梯度范数(norm)不超过2
对梯度没有使用任何形式的正则化(regularization)
训练与测试阶段,对文章使用截断(truncate),使得一个文章最多不超过400个token
训练阶段对摘要进行截断,一个摘要最多100个token
测试阶段对摘要进行截断,一个摘要最多120个token
作者发现,使用截断可以加快训练速度,还能提升模型performance
作者发现从被截断的序列开始的训练方式十分有效,然后一旦收敛就提高文档的最大长度限制。
硬件: 单块Tesla K40m
batch 大小: 16
测试阶段,使用j集束大小为4的集束搜索(beam search)生成摘要
训练epoch: 33
迭代轮数(加上batch之后的iteration): 大约600,000
作者发现与baseline模型对比,pointer-generator network需要的词表小很多,训练轮数也要少大概一半,效果还更好
添加
λ
\lambda
λ为1的覆盖机制(
λ
\lambda
λ见公式(13)),又进行了大概3000次迭代训练
六 个人感想
此论文读下来乍一看似乎创新点不是多么震撼,做的也是类似于集成创新的活。但是细细分析之下,发现作者做了大量的相关工作调查研究,中间做了大量实践,通过许多实验结果说明了一些简单的训练模型的技巧,最终得到一个实用性特别强的模型。
说明实践能力是非常,非常重要的。