HIBERT

Ref: https://arxiv.org/pdf/1905.06566.pdf

主流的文本摘要有2个方向，抽取式extractive和生成式abstractive。本文是基于BERT模型框架，进行从词到句子，句子到文档的encoding，实现hierarchical的文档级的抽取式摘要预训练模型。实验显示，HIBERT在CNN/Daily mail数据和New York Times 数据集上的ROUGE分别达到1.25和2.9，达到SOTA。

背景

介绍HIBERT前，先理解2个抽取方法。
Extractive Summarization
抽取式摘要顾名思义，就是从文档中，选择合适的句子作为该文档的概括。

1. 一般会对文档中的句子进行排序，并会控制句长；
2. 早期，会通过一些稀疏特征，比如句子的长度和位置，词频，事件特征等，通过分类或回归方式来判断句子是否为摘要；
3. 再之后，使用DNN网络，输入文档，进入LSTM，再使用另一个LSTM预测每个句子是否为摘要。

最近的研究 (Vaswaniet al., 2017; Devlin et al., 2018) 都显示，transformers效果优于LSTM，所以本文使用的是transformers。

Abstractive Summarization
生成式，一般使用seq2seq框架，将一篇文档视为一个序列，摘要视为另一个序列。生成式的问题主要是结果不可控，尽管有copy mechanism，coverage model或者强化学习等辅助手段，生成的摘要依然可能会有语法问题，甚至不能符合文档主题。

优劣比较
生成式的摘要产出不稳定，从正确率角度，不如抽取式方案。
但是，抽取式方案，文档中的句子需要标签，一般摘要数据集只有【文档-摘要】对，句子级别的标签依靠规则（maximizing ROUGE between a set of sentences and reference summaries）且不够准确。

HIBERT

文档：
句子：
EOS token:

HIBERT TRAINING
图示，HIBERT模型训练结构。
Sent Encoder Transformer
句子级别，使用Transformer Encoder，EOS向量表示该句子的向量，对句子:
，前者为word embedding，后者为positional embedding

Doc Encoder Transformer
文档级别，使用另一个Transformer Encoder，将每个句子视为token，进行编码。
每个句子的表示为来自Sent Encoder Transformer的EOS表示，即：

，注意，句子位置和词位置共享同一个positional embedding matrix。

Decoder transformer
判断句子是否是摘要，结合上下句子，进行词预测【注意！不是句子】。

1. Document Masking
   随机mask15%个句子，预测这些被掩码的句子。实际应用时，输入的文档是完整的，因此，在训练时，对mask的句子:
   1.1 80%的概率，mask的句子，对每一个被掩盖的词使用一个[MASK]表示；
   1.2 10%的概率，保持不变，即不做mask；
   1.3 10%的概率，随机选择一个句子替代被mask的句子。

2. Sentence Prediction
   原始输入：
   经过mask操作后：
   被mask的句子集合：，K表示文档中被mask的句子的index
   经过HIBERT后得到的句子表达：

被mask的句子又是怎么被预测的呢？
传统的transformer decoder使用2层multi-head attention layers来获取encoder和decoder信息。
因为来自encoder的信息是一个向量，因此，HIBERT decoder仅使用一层multi-head attention layer。
对被mask的句子：
预测其中的每个词：
使用被mask的文档时，
句子encoder：
经过multi-head attention：
其中：

结合HIBERT-encoder后句子向量:

经过FFD：

预测词：

对所有被mask的句子M：

Extractive Summarization
上面只介绍了模型是如何训练的，那么是如何进行摘要抽取的呢？
DNN的抽取式摘要可视为序列标注。将一个文档当做一系列句子组合，对每个句子，有一个是否是摘要的标签，如下图：

Extractive Summarization Model

对一篇文档，句子标签：
经过HIBERT encoder，得到所有句子表达：
直接经过线性转换和softmax，得到概率：
其中：

Experiment

1. Dataset
   训练数据：CNN Daily mail 和 New York Times[摘要词长超过50]的数据集
   预训练数据：GIGA-CM：6626842个文档
   分词工具：Standford CoreNLP toolkit + BPE
2. 模型训练
   2.1 Open-domain的预训练：GIGA-CM ；
   2.2 In-domain的预训练：CNNDM orNYT50
   2.3 Fine-tune: CNNDM orNYT50

3. Evaluation
   F1, ROUGE-1, ROUGE-2, ROUGE-M，以及人工评价。

   
   Results