Satzrangfolge für extraktive Zusammenfassung mit Verstärkungslernen

Die Zusammenfassung einzelner Dokumente ist die Aufgabe, eine kürzere Version eines Dokuments zu erstellen, während dessen wesentliche Informationsgehalt erhalten bleibt. In dieser Arbeit konzeptualisieren wir die extraktive Zusammenfassung als eine Satzrangfolgen-Aufgabe und schlagen einen neuen Trainingsalgorithmus vor, der das ROUGE-Evaluationsmaß durch ein Verstärkungslernziel global optimiert. Wir verwenden unseren Algorithmus, um ein neuronales Zusammenfassungsmodell auf den CNN- und DailyMail-Datensätzen zu trainieren und zeigen experimentell, dass es bei automatischen und menschlichen Bewertungen sowohl die besten extraktiven als auch abstraktiven Systeme übertrifft.