每日论文《Heterogeneous Graph Neural Networks for Extractive Document Summarization》

作为提取性文档摘要中的关键步骤，学习跨句关系已通过多种方法进行了探索。 一种直观的方法是将它们放在基于图的神经网络中，该网络具有更复杂的结构以捕获句子间的关系。 在本文中，我们提出了一种用于提取摘要的基于异构图的神经网络（HETERSUMGRAPH），该网络包含除句子外的不同粒度级别的语义节点。 这些额外的节点充当句子之间的中介，并丰富了跨句关系。 此外，我们的图结构通过引入文档节点，可以灵活地从单文档设置自然扩展到多文档。 据我们所知，我们是第一个将不同类型的节点引入基于图的神经网络中以进行提取文档摘要并进行全面定性分析以研究其好处的公司。

存在问题

为了有效地从文档中提取值得总结的句子，核心步骤是为交叉句子关系建模。当前大多数模型都使用递归神经网络（RNN）捕获跨句关系（Cheng和Lapata，2016; Nallapati等，2017; Zhou等，2018）。但是，基于RNN的模型通常很难捕获句子级的远程依赖，尤其是在长文档或多文档的情况下。一种更直观的方法是使用图结构为句子之间的关系建模。然而，寻找有效的图结构进行汇总是具有挑战性的。已经以各种方式进行了努力。早期的传统工作利用句间余弦相似度来构建连接图，例如LexRank（Erkan和Radev，2004）和TextRank（Mihalcea和Tarau，2004）。最近，一些作品在构建摘要图时考虑了语篇之间的关系，例如具有句子个性化特征的近似语篇图（ADG）（Yasunaga等人，2017）和修辞结构理论（RST）图（Xu等人。 ，2019）。但是，它们通常依赖于外部工具&#