추상적 요약을 위한 지침으로서의 주목할 만함 할당

추상적 요약 모델은 일반적으로 처음부터 암묵적으로 중요한 정보를 학습한다. 최근 연구에서는 추상적 요약 모델의 성능을 향상시키기 위해 추출적 요약을 지도 자료로 활용하여 주요 내용에 대한 힌트를 제공하는 접근법을 도입하였다. 그러나 추출적 요약을 지도 자료로 사용할 경우 지나치게 엄격한 제약을 줄 수 있어 정보 손실이나 노이즈 신호가 발생할 수 있으며, 다양한 추상성 수준을 가진 문서에 쉽게 적용하기 어려운 문제가 있다. 특히 중요한 내용의 수와 분포가 문서마다 다를 경우, 지도 자료에 포함할 내용을 결정하는 고정된 임계값을 찾는 것은 매우 어렵다. 본 논문에서는 유연하고 신뢰할 수 있는 중요성 지도를 제공하는 새로운 요약 방법, 즉 SEASON(SaliencE Allocation as Guidance for Abstractive SummarizatiON)을 제안한다. SEASON은 중요성 기대치의 할당을 활용하여 추상적 요약을 지도하며, 다양한 추상성 수준의 문서에 잘 적응할 수 있다. 두 가지 벤치마크 데이터셋에 대한 자동 평가 및 인간 평가 결과에서 제안된 방법이 효과적이고 신뢰할 수 있음을 입증하였다. 또한 100만 건 이상의 뉴스 기사에 대한 실증적 분석을 통해 뉴스 기사 문장들 사이에 자연스럽게 15:50의 중요성 분할이 존재함을 확인하였으며, 이는 뉴스 기사 작성에 유용한 통찰을 제공한다.