초록
일반적인 추상적 요약은 원문의 주요 내용을 그대로 복사하는 것뿐만 아니라, 구체적인 세부 정보를 표현하기 위해 새로운 개념적 단어를 생성하는 경향을 가져야 한다. 인기 있는 포인터 생성자 시퀀스-투-시퀀스 모델을 영감으로 삼아, 본 논문은 추상적 요약의 이러한 측면을 향상시키기 위해 개념 포인터 네트워크(Concept Pointer Network)를 제안한다. 이 네트워크는 지식 기반의 맥락 인식 개념화를 활용하여 확장된 후보 개념 집합을 도출한다. 이후 모델은 원본 소스 텍스트와 함께 이 개념 집합을 이용하여 가장 적절한 선택지를 지시한다. 이러한 통합적 접근 방식은 고수준의 의미적 개념을 포함하는 추상적 요약을 생성한다. 또한, 참조 요약과 테스트 세트를 기반으로 하는 새로운 원거리 감독 학습 방식에 따라, 학습 모델은 다양한 데이터에 적응할 수 있도록 최적화된다. 전반적으로 제안된 방법은 DUC-2004 및 Gigaword 데이터셋에서 여러 최신 기술 모델에 비해 통계적으로 유의미한 성능 향상을 제공한다. 또한, 모델의 추상적 요약 능력을 평가한 인간 평가 결과 역시 본 프레임워크 내에서 생성된 요약의 품질을 뒷받침한다.