【論文紹介】Discourse-Aware Unsupervised Summarization of Long Scientific Documents

研究室の日本語輪読会で発表したスライドです。
内容に問題や不備がある場合は、お手数ですが hellorusk1998 [at] gmail.com までご連絡お願いいたします。

Transcript

1. Discourse-Aware Unsupervised Summarization of Long Scientific Documents Dong et al., EACL 2021 杉本 海人 Aizawa Lab. B4 2021/03/08 1 / 25
2. 紹介する論文 • EACL 2021 • https://arxiv.org/abs/2005.00513 2 / 25
3. 読んだ理由 • 学術論文の要約に最近関心を持っている • 学術論文の NLP では abstract を一種の要約とみなして他のタス クに活用することが多いが, 情報の圧縮形式として必ずしも最適 とは限らないかもしれない （論文の分野によっても異なるかもしれない） 3 / 25
4. どんな論文？ • 学術論文向けの, 論文のセクション構造を考慮した教師無し抽出 型要約を提案 • 背景には Graph-based summarization model というテーマがある 4 / 25
5. 学術論文における教師無し抽出型要約の意義・魅力 • 近年の言語モデルの進化により非抽出型（生成型）要約の研究も 進んでいるが, このタイプだと事実とは異なる要約を生成してし まう可能性もある. 抽出型では本文を抜き出すだけなのでそのような心配がない. • ニュース要約などの汎用的なトピックと異なり, 学術論文は domain-specific であり, 抽出型要約のための訓練データを用意す るのが難しい （abstract を ground-truth として, それに対して ROUGE が最も高 くなるような抽出型要約を ORACLE とみなすことが多い） 5 / 25
6. Graph-based summarization model TextRank / LexRank (2004) （Graph-based method のさきがけ） ↓ PACSUM (ACL 2019) （Graph-based method の再訪） ↓ HIPORANK (本研究) （学術論文向けの Graph-based method） 6 / 25
7. TextRank (2004) Google 検索の PageRank など, コンテンツの重要度を決める Graph-based ranking algorithms を, 文章の要約に活用したもの コンセプトとしては「投票」 グラフ上のある頂点について, その点に向かっている辺が多ければ多 いほど, より多くの票が投票されており「重要」だとみなされ, かつ 「重要」な点からの投票の方がより重視される 7 / 25
8. TextRank (2004) 画像は Wikipedia の PageRank の記事から 8 / 25
9. TextRank (2004) PageRank における, i 番目の頂点のスコアを計算する式 j が i 番目の頂点へ入力する辺を持つ頂点 d は 0 から 1 の間を取る変数で, リンクを経由してあるサイトにたど り着く確率を表す（逆に 1 − d は直接あるサイトにたどり着く確率）. PageRank では d = 0.85 としている. 適当な初期値を与えて収束するまで計算を繰り返す 9 / 25
10. TextRank (2004) TextRank では？ • 要約させたいドキュメントに対し, それぞれの文を頂点, 文の類 似度を辺の重みとする, 重み付き無向グラフを考え, PageRank と 同様に各頂点の重要度を計算する. 最も重要度の高い数文が Extractive Summarization となる. • 文の類似度は色々考えられる. • TextRank では以下の式. • LexRank (2004) では代わりに tf-idf を用いた 10 / 25
11. TextRank (2004) PageRank と若干異なる点 • 無向グラフなので, 各辺は入力辺でもあり出力辺でもある • 重要度を計算する際, 辺の重みによる加重平均を使ったものに なる 11 / 25
12. TextRank (2004) 12 / 25
13. PACSUM (ACL 2019) Position-Augmented Centrality based Summarization 以下の 2 種類の観点で Graph-based model の手法を修正 1 文章間の類似度計算に BERT を用いる 2 辺の重みを方向によって変える ニュース記事要約において効果を検証 13 / 25
14. PACSUM (ACL 2019) 文章間の類似度計算に BERT を用いる 事前学習済みの BERT に, （Word2Vec のような要領で）隣接した前後 の文章を正例, 残りを負例とした学習により fine-tuning を行う. 14 / 25
15. PACSUM (ACL 2019) 辺の重みを方向によって変える ドキュメントの中には, 要約に寄与する central な文章とそうでない marginal な文章がある（修辞構造理論） ニュース記事要約では LEAD-3 が強い baseline になることからも分か るように, 前の方にある文章が central である傾向にある → ある文章の組 A, B（B は A よりドキュメントの後の方にある）があ るとき, A->B よりも B->A の辺の重みを大きくした方が良いという 仮説 15 / 25
16. PACSUM (ACL 2019) 16 / 25
17. PACSUM (ACL 2019) 17 / 25
18. HIPORANK (EACL 2021) Hierarchical and Positional Ranking model PACSUM で考案された「文章間の位置により辺の重みを変える」とい うアイデアをさらに強化し, 学術論文のようなセクション構造を組み 込む. ポイントは以下の通り 1 同じセクションにおいては文章と文章の類似度を計算する (sentence-sentence edges) のに対し, 異なるセクションにおいては 文章とセクションの類似度 (section-sentence edges) のみ計算する 2 sentence-sentence edges においては, 最初と最後の方にある文章 に向かう辺の重みを大きくする section-sentence edges においては, 最初と最後の方にあるセク ションに対する辺の重みを大きくする 18 / 25
19. HIPORANK (EACL 2021) 19 / 25
20. HIPORANK (EACL 2021) sentence-sentence edges（I 番目のセクションの文章 i と文章 j） section-sentence edges (I 番目のセクションの文章 i と J 番目のセク ション) 各文の最終的な重要度は, sentence-sentence edges と section-sentence edges の重み付き平均になる（この重みはハイパーパラメータ） 20 / 25
21. HIPORANK (EACL 2021) 21 / 25
22. HIPORANK (EACL 2021) PACSUM では「前の方にある文章の方が central」という inductive bias が導入されているので, 結果的に文章のはじめの方に偏った要約が生 成されるが, HIPORANK では階層的に前の方と後ろの方が選択される のでバランスが良い 22 / 25
23. HIPORANK (EACL 2021) 23 / 25
24. HIPORANK (EACL 2021) その文章が abstract の中身を含んでいるか (content-coverage) その文章が abstract の中身にないものだとしても、goal-oriented な ユーザーにとって重要かどうか (importance) 24 / 25
25. 感想 • 学術論文のセクション構造をうまく利用していて面白い • ハイパラが多いので調整が難しそう • shorter summary や longer summary にも使えるかどうか？ • Abstract と比較した時, 生成された文章の Quality はどうなのか？ • Abstract と比較した時, 埋め込みにより適しているのはどちらな のか？ 25 / 25