华人博士一作：自动生成摘要超越BERT！帝国理工&谷歌提出新模型Pegasus

---

  新智元报道  

来源：venturebeat、arXiv

文本摘要是机器学习算法正在改进的一项任务，微软最近发表的论文“Structured Neural Summarization”证明了这一点。这是个好消息，因为自动文本摘要系统有望减少企业员工阅读信息的时间(一项调查估计人们每天至少花2.6小时阅读信息。)

不甘示弱，谷歌大脑和伦敦帝国理工学院的一个团队最近构建了一个系统——Pre-training with Extracted Gap-sentences for Abstractive Summarization，简称PEGASUS，利用谷歌的Transformer架构，并结合了针对文本摘要生成定制的预训练目标。

论文第一作者张敬卿来自帝国理工学院数据科学院，博士在读；张敬卿本科毕业于清华大学计算机科学与技术系，主要研究兴趣包括深度学习、数据挖掘、时间序列与文本挖掘、多模态问题与生成模型。

研究人员表示，该系统在12个摘要任务中均取得了最先进的结果(SOTA)，这些任务涵盖新闻、科学、故事、使用说明、电子邮件、专利和立法法案等，并且在低资源摘要方面表现“惊人”，在只有1000个样本的6个数据集上超过了之前的最好结果。

Pegasus模型：基于Transformer，5.68亿参数

正如研究人员指出的那样，文本摘要旨在根据输入文档生成准确而简洁的摘要。生成摘要并不是简单地复制输入里的片段，而是可能产生新的单词或涵盖主要信息，并使输出保持语言流畅。

Transformer是谷歌大脑的研究人员开发的一种神经网络架构。和其他深度神经网络一样，它们包含的功能(神经元)被布置在相互连接的层中，这些层传递输入数据的信号，并缓慢地调整每个连接的突触强度(权重)——这就是所有AI模型提取特征和学习做出预测的方式。但Transformer的独特指出在于，每个输出元素都连接到每个输入元素，并动态地计算它们之间的权重。

该团队设计了一项训练任务，在该任务中，文档中的重要句子被覆盖(masked)起来。AI必须利用网络和新闻文章来填补空白，包括那些包含在研究人员编纂的新语料库(HugeNews)中的文章。

在实验中，研究团队选择了性能最佳的Pegasus模型(有5.68亿参数)，分别在从3.5亿个网页爬取的750GB文本的Common Crawl数据集，或从新闻网站收集的15亿篇文章、总计3.8TB的HugeNews数据集上进行训练。

结果证明，Pegasus生成的文本摘要在流畅性和连贯性方面都达到了很高的语言质量，而且它不需要采取额外的对策来减轻不流畅。此外，在只有100篇示例文章的低资源环境中，Pegasus生成的摘要质量可与在20000到200000篇完整的完整数据集上训练的模型相媲美。

总结本研究的贡献：

• 我们提出了一种新的self-supervised的预训练目标，用于摘要总结、空缺句子生成，以及选择这些句子的学习策略。

• 我们在广泛的摘要任务上评估了所提出的预训练目标，并选择了最佳的模型设置。我们使用这些设置来训练一个568M参数的PEGASUS模型，该模型在所有12个下游数据集上超过了SOTA，或与SOTA相当。

• 我们展示了如何在几乎不受监督的情况下，通过微调PEGASUS模型在多个领域实现良好的摘要生成性能，而且仅使用1000个示例就可以在许多任务上超越以前的SOTA结果。

预训练目标GSG

在这项工作中，我们提出了一个新的预训练目标GSG(Gap Sentences Generation)，但为了进行比较，我们也评估了BERT的掩码语言模型目标(masked-language model objective)。

Gap Sentences Generation (GSG)

我们假设，使用更接近下游任务的预训练目标，可以获得更好更快的微调性能。考虑到我们打算用于摘要生成，我们提出的预训练目标设计从输入文档生成类似摘要的文本。为了利用大量的文本语料库进行预训练，我们设计了一个序列到序列的自监督目标(self-supervised objective)。

图1: PEGASUS的基本架构是一个标准的Transformer encoder-decode。在这个例子中，GSG和MLM同时作为预训练目标。原始文本有三句话。一个句子被[MASK1]屏蔽，并用作目标生成文本(GSG)。其他两句话仍然保留在输入中，但是一些词被[MASK2] (MLM)随机屏蔽了。

为了更接近摘要，我们选择对文档来说重要/主要的句子。由此产生的目标既具有经验证明的masking的优势，又预期了下游任务的形式。

我们考虑3种主要的策略，用于选择m个空缺句子(gap sentences)，而无需从文档中替换，文档记为，由n个句子组成：

Random：均匀地随机选择m个句子

Lead：选择前m个句子。

Principal：根据重要性选择得分最高的句子。根据重要性选择得分最高的句子。

重要性的计算公式是：

在这个公式中，句子是独立评分的(Ind)，并选择最好的m。

图2显示了一个包含lead、random和principal三种策略的gap句子选择示例。

图2

掩码语言模型(Masked Language Model，MLM)

参考BERT，我们在输入文本中选择15%的tokens，所选择的tokens：(1)80%的时间被mask token替换[MASK2]，或(2)10%的时间被随机token替换，或(3)10%的时间不变。我们应用MLM训练Transformer encoder，作为唯一的预训练目标或与GSG一起作为预训练目标。

图1显示了将GSG和MLM结合应用到同一个例子中的情况。然而，我们发现MLM并没有在大量的预训练步骤中改善下游任务，因此选择不将MLM应用到最终的PEGASUSLARGE模型。

评估结果：12大任务获得最优性能

图4：PEGASUSBASE在C4上预训练的效果。

图5：PEGASUSBASE在C4 (15% GSR, Ind-Orig)上训练词汇量的效果。

表1：与之前的SOTA相比，PEGASUSLARGE和PEGASUSBASE在所有下游数据集上的结果

表2：PEGASUSLARGE与XSum、CNN/DailyMail和Gigaword上其他预训练模型的比较。最佳结果用粗体显示。

表1和表2显示了PEGASUSBASE和PEGASUSLARGE在下游数据集上的性能改进。虽然PEGASUSBASE在许多数据集上都超过了当前的SOTA水平，但PEGASUSLARGE在使用HugeNews的所有下游数据集上都取得了比当前水平更好的结果，尽管C4在WikiHow上的表现更好。

图6：PEGASUSLARGE模型对一则CNN/DailyMail文本生成的摘要，它的ROUGE2-F值相对较低，为16，但在文本质量上相当好，而且事实上也很准确。

* 凡来源非注明“机器学习算法与Python学习原创”的所有作品均为转载稿件，其目的在于促进信息交流，并不代表本公众号赞同其观点或对其内容真实性负责。

推荐阅读

25岁就有娃，上交年度学霸火了！6块腹肌、歌赛冠军、Science一作

【下载】459页《Python深度学习》

视频剪辑什么鬼？Python 带你高效创作短视频

ICCV2019最佳论文SinGAN全面解读，看这一篇就懂了

GitHub标星两万的"Python抢票教程”，我们先帮你跑了一遍