요약의 정확성 보장: 추상적 문장 요약에 함의 지식 통합하기

본 논문에서는 소스 문장에서 요약문을 생성하는 문장 요약 작업을 탐구한다. 신경망 시퀀스-투-시퀀스 모델은 이 작업에서 상당한 성공을 거두었으나, 기존의 대부분의 접근 방식은 요약문의 정보성 향상에만 집중하며, 요약문의 정확성—즉, 소스 문장과 관련 없는 정보를 포함해서는 안 된다는 점—을 간과하고 있다. 우리는 정확성이 요약 시스템에 있어 필수적인 요건이라고 주장한다. 올바른 요약문은 소스 문장에 대해 의미론적으로 함의(semantic entailment)되어야 한다는 점을 고려하여, 함의 지식을 추상적 요약 모델에 통합한다. 우리는 다중 작업 프레임워크(즉, 요약 생성 및 함의 인식) 하에서 함의 인지 인코더(entailment-aware encoder)와 함의 보상 증강 최대 가능도(RAML, Reward Augmented Maximum Likelihood) 학습을 통한 함의 인지 디코더(entailment-aware decoder)를 제안한다. 실험 결과, 제안한 모델이 정보성과 정확성 측면에서 기준 모델들을 크게 상회함을 입증하였다.