Récupérer, réorganiser et reformuler : une synthèse neurale basée sur des modèles souples

La plupart des systèmes antérieurs de résumé seq2seq reposent exclusivement sur le texte source pour générer des résumés, ce qui conduit souvent à des performances instables. Inspirés par les approches traditionnelles de résumé basées sur des modèles prédéfinis, nous proposons d’utiliser des résumés existants comme des modèles souples (soft templates) afin de guider le modèle seq2seq. À cette fin, nous exploitons une plateforme de recherche d’information (IR) populaire pour récupérer des résumés appropriés servant de candidats à ces modèles. Ensuite, nous étendons le cadre seq2seq pour effectuer simultanément le réajustement (reranking) des modèles et la génération de résumés consciente du modèle (réécriture). Les expériences montrent que, en termes d’informationnalité, notre modèle surpasse significativement les méthodes de pointe, et même les modèles souples par eux-mêmes s’avèrent hautement compétitifs. En outre, l’intégration de résumés externes de haute qualité améliore la stabilité et la lisibilité des résumés générés.