Résumé de texte abstrait incorporant les commentaires des lecteurs

Dans le domaine de la synthèse abstraite neuronale, les modèles traditionnels basés sur la séquence-à-séquence souffrent souvent d'un résumé qui ne concerne pas l'aspect principal du document. Pour résoudre ce problème, nous proposons la tâche de génération de résumés abstraits sensibles au lecteur, qui utilise les commentaires des lecteurs pour aider le modèle à produire un meilleur résumé concernant l'aspect principal. Contrairement à la tâche traditionnelle de synthèse abstraite, la synthèse abstraite sensible au lecteur fait face à deux défis principaux : (1) Les commentaires sont informels et bruyants ; (2) la modélisation conjointe du document d'actualités et des commentaires des lecteurs est complexe. Pour relever ces défis, nous avons conçu un modèle d'apprentissage antagoniste appelé générateur de résumés sensible au lecteur (RASG), composé de quatre éléments : (1) un générateur de résumés basé sur la séquence-à-séquence ; (2) un module d'attention au lecteur capturant les aspects sur lesquels le lecteur se concentre ; (3) un superviseur modélisant l'écart sémantique entre le résumé généré et les aspects sur lesquels le lecteur se concentre ; (4) un suiveur d'objectif produisant l'objectif pour chaque étape de génération. Le superviseur et le suiveur d'objectif sont utilisés pour guider l'entraînement de notre cadre de manière antagoniste. De nombreuses expériences ont été menées sur notre ensemble de données à grande échelle pour la synthèse textuelle en conditions réelles, et les résultats montrent que RASG atteint des performances de pointe en termes tant de métriques automatiques que d'évaluations humaines. Les résultats expérimentaux démontrent également l'efficacité de chaque module dans notre cadre. Nous mettons à disposition notre ensemble de données à grande échelle pour des recherches ultérieures.