Attribution de salience comme guide pour la synthèse abstraite

Les modèles de résumé abstrait apprennent généralement à capturer de manière implicite les informations essentielles à partir de zéro. La littérature récente introduit des résumés extraits comme guide pour les modèles de résumé abstrait, afin d’offrir des indices sur le contenu pertinent et d’améliorer ainsi les performances. Toutefois, l’utilisation de résumés extraits comme guide peut s’avérer trop rigide, entraînant une perte d’information ou des signaux bruités. De plus, cette approche peine à s’adapter facilement aux documents présentant des degrés variés d’abstraction. Étant donné que le nombre et la répartition des éléments de salience varient d’un document à l’autre, il est difficile de définir un seuil fixe déterminant quels éléments doivent être inclus dans le guide. Dans cet article, nous proposons une nouvelle approche de résumé fondée sur une guidance flexible et fiable en matière de salience, nommée SEASON (SaliencE Allocation as Guidance for Abstractive SummarizatiON). SEASON utilise l’attribution de l’expectative de salience pour guider le résumé abstrait et s’adapte efficacement aux articles présentant des niveaux variés d’abstraction. Des évaluations automatiques et humaines menées sur deux jeux de données standard montrent que la méthode proposée est à la fois efficace et fiable. Les résultats empiriques obtenus sur plus d’un million d’articles d’actualité révèlent une répartition naturelle de la salience approximativement de 15 à 50 % pour les phrases des articles d’actualité, offrant ainsi une perspective utile pour la rédaction de ces derniers.