摘要
连贯性在从文档中生成高质量摘要的过程中发挥着关键作用。近年来，神经抽取式摘要技术越来越受到关注。然而，大多数方法在抽取句子时忽略了摘要的连贯性。为了提取更加连贯的摘要，我们提出了一种神经连贯性模型，用于捕捉跨句的语义和句法连贯模式。所提出的神经连贯性模型无需进行特征工程，并且可以使用未标记数据以端到端的方式进行训练。实证结果表明，该神经连贯性模型能够高效地捕捉跨句连贯模式。通过将神经连贯性模型和ROUGE包的组合输出作为奖励，我们设计了一种强化学习方法来训练一种新的神经抽取式摘要器，即强化神经抽取式摘要（Reinforced Neural Extractive Summarization, RNES）模型。RNES模型同时优化了摘要的连贯性和信息重要性。实验结果显示，所提出的RNES模型在CNN/Daily Mail数据集上的ROUGE指标上优于现有的基线方法，并达到了最先进的性能。定性评估表明，RNES生成的摘要更具连贯性和可读性。