基于分层注意力异构图网络的神经抽取式摘要

句子级抽取式文本摘要本质上是网络挖掘中的节点分类任务，其核心在于保留信息丰富的内容并生成简洁的表达形式。然而，在提取出的句子之间往往存在大量冗余短语，而传统的监督学习方法难以精确建模此类冗余关系。以往的句子编码器，尤其是BERT，擅长捕捉源句之间的语义关联，却无法有效考虑目标摘要中句子之间的重叠现象，且句子的目标标签之间存在固有的依赖关系。为此，本文提出HAHSum（Hierarchical Attentive Heterogeneous Graph for Text Summarization，即面向文本摘要的分层注意力异构图模型），该模型能够有效建模词与句子等多个层次的信息，并突出句子之间的冗余依赖关系。我们的方法通过冗余感知图结构迭代优化句子表示，并利用消息传递机制显式建模标签间的依赖关系。在大规模基准数据集（CNN/DM、NYT 和 NEWSROOM）上的实验表明，HAHSum取得了突破性性能，显著优于现有的抽取式摘要模型。