Une nouvelle approche pour le surgénération et l’évaluation des résumés abstraitifs

Nous proposons une nouvelle approche visant à générer plusieurs variantes du résumé cible, caractérisées par un contenu diversifié et des longueurs variables, puis à les noter et à sélectionner les versions admissibles selon les besoins des utilisateurs. Les modèles abstraitifs d'extraction de résumés entraînés sur une seule référence peuvent éprouver des difficultés à produire des sorties répondant à plusieurs propriétés souhaitables, telles que la capture des informations les plus importantes, la fidélité au texte original, la grammaticalité et la fluidité. Dans cet article, nous proposons une stratégie en deux étapes : dans la première étape, nous générons un ensemble diversifié de résumés candidats à partir du texte source ; dans la seconde étape, nous notons et sélectionnons les résumés admissibles. De manière importante, notre générateur permet un contrôle précis de la longueur du résumé, ce qui est particulièrement adapté lorsque l'espace est limité. Nos modèles de sélection sont conçus pour prédire la longueur optimale du résumé et accordent une attention particulière à la fidélité au texte d'origine. Les deux étapes peuvent être efficacement entraînées, optimisées et évaluées. Nos expériences sur des jeux de données standards de résumé suggèrent que ce paradigme permet d'atteindre des performances de pointe.