초록
일관성은 문서에서 고품질 요약을 생성하는 데 중요한 역할을 합니다. 최근 몇 년 동안 신경망 기반 추출 요약이 점점 더 주목받고 있지만, 대부분의 방법들은 문장 추출 시 요약의 일관성을 무시합니다. 이러한 문제를 해결하기 위해, 우리는 문장 간 의미적 및 구문적 일관성 패턴을 포착하기 위한 신경망 일관성 모델을 제안합니다. 제안된 신경망 일관성 모델은 특징 공학(feature engineering)의 필요성을 없애고, 비라벨 데이터를 사용하여 엔드 투 엔드 방식으로 학습될 수 있습니다. 경험적 결과는 제안된 신경망 일관성 모델이 효율적으로 문장 간 일관성 패턴을 포착할 수 있음을 보여줍니다. 이 모델의 출력과 ROUGE 패키지를 결합한 보상을 사용하여, 우리는 강화 학습 방법을 설계하여 제안된 신경망 추출 요약기(Reinforced Neural Extractive Summarization, RNES) 모델을 학습시키도록 하였습니다. RNES 모델은 요약의 일관성과 정보 중요성을 동시에 최적화하도록 학습됩니다. 실험 결과는 제안된 RNES가 기존 베이스라인들을 능가하고, CNN/Daily Mail 데이터셋에서 ROUGE 측면에서 최신 성능을 달성함을 보여줍니다. 질적인 평가는 RNES가 생성한 요약이 더 일관되고 읽기 쉽다는 것을 나타냅니다.